Modul - SPSS d4 GZ 2014

1
BAB I
SPSS FOR WINDOWS
SPSS merupakan kependekan dari Statistical Program for Social Science. SPSS adalah salah satu
dari sekian banyak program aplikasi komputer untuk menganalisis data statistik. Selain SPSS program
aplikasi yang telah banyak beredar adalah Minitab, Microstat, SAS, STATA, EPI-info dll. SPSS banyak
membantu memecahkan berbagai permasalahan statistik ilmu-ilmu sosial. Namun demikian fleksibilitas
yang dimilikinya menyebabkan berbagai problem analisis data diluar ilmu sosial dapat juga diatasi,
Misalnya dibidang kedokteran, biologi dan pertanian.
BAB II
MEMPERSIAPKAN DATA
Data yang dapat dibaca oleh SPSS adalah data dengan tipe *.sav(SPSS), *.Xls(exel),*dbf (data
base), *. W (lutos) .
MENDEFINISIKAN VARIABEL
1. Pilih sembarang sel dimana variabel akan didefinisikan.
2. Klik data pilih Define variabel atau sel tersebut diklik 2x atau pilih variable view.
Aturan pemberian nama variabel :

1. Sebaiknya 8 karakter
2. Tidak boleh ada spasi kosong
3. Karakter pertama harus berupa huruf atau karakter
4. Kakarter terakhir tidak boleh berupa titik.
5. Hindari istilah-istilah yang biasa digunakan SPSS seperti ALL, AND, BY, EQ, GE, GT, LE, LT, NE,
NOT, OR, TO, WITH.
TYPE
Ada 8 tipe variabel :
1. Numeric. 5. Date
2. Comma. 6. Dolar
3. Dot. 7. Custom currency
4. Scientihic notation. 8. String
Date adalah tipe alphanumeric dan String adalah tipe alphabet, sedangkan yang lain adalah tipe numeric.
WIDTH
Untuk menentukan jumlah karakter yang dibutuhkan dalam pengisian data
DECIMALS
Untuk menentukan jumlah angka dibelakang koma
LABEL
Label digunakan untuk menentukan label variabel. Contoh label variabel SEX adalah “Jenis Kelamin”.
VALUE
Value digunakan untuk menentukan harga dari variabel tersebut(bila diperlukan). Pada kotak value label
terdapat 2 kotak isian dan 3 tombol pendukung yang digunakan untuk pendefinisian label variabel
berbentuk kategori. Dengan cara sebagai berikut :
1. Pada kotak value isi dengan angka 1.
2. Pada kotak value label, isi dengan “laki-laki”
3. Tekan tombol Add.
4. Pada kotak value isi dengan angka 2.
5. Pada kotak value label, isi dengan “perempuan”
6. Tekan tombol Add.
7. Tekan continue.
MISSING VALUE
Missing value adalah harga yang hilang adalah suatu istilah yang digunakan oleh SPSS untuk
mendeklarasikan data yang hilang/tidak lengkap. Hal ini diperhatikan karena data yang hilang akan sangat
berpengaruh pada hasil pengolahan maupun analisis dari keseluruhan data.
2
 No missing values, bila variabel tersebut tidak mengandung missing value.

 Discreate missing value, bila variabel tersebut mengandung 1, 2 atau 3 buah missing value.
 Range of missing value, bila variabel tersebut mengandung missing value berupa interval suatu
bilangan.
 Range plus one discrete missing value. Bila variabel tersebut mengandung missing value berupa
interval suatu bilangan dan sebuah harga missing sebagai alternatif lain.
COLUMN FORMAT
Berguna untuk menentukan lebar kolom variabel dan untuk menentukan jenis peratannya.
ALIGN
Digunakan untuk menentukan letak data. Pada Align terdapat 3 pilihan yatiu left, right dan center.
MEASURE
Digunakan untuk menentukan skala data
PEMASUKAN DATA
Sebelum memasukkan data anda harus membuat variable di Variable View. Berikut adalah contoh
pembuatan variable.
Mengisi data
Setelah variabel dibuat data dapat diisi sesuai dengan variable view yang telah dibuat. Pengisian data
dilakukan di Data View
Tabel 2. Contoh Data
no_res na_res tgl_lah tgl_uk jen_kel bb tb
1 bambang sumantri 12.12.1997 17.10.2016 laki-laki 57,60 163,50
2 agus wismoyo 15.10.1998 17.10.2016 laki-laki 55,50 155,50
3 ahmad dahlan 02.10.1997 17.10.2016 laki-laki 45,50 154,00
4 Kosanah 02.01.1998 17.10.2016 perempuan 40,00 155,80
5 Ninik 12.08.1995 17.10.2016 perempuan 60,00 170,50
6 Saraswati 08.02.1996 17.10.2016 perempuan 58,80 172,50
7 dyah krisnatuti 12.04.1997 17.10.2016 perempuan 55,00 153,20
8 kliwon sutiyoso 24.06.1998 17.10.2016 laki-laki 56,60 150,50
9 endang kusniyah 25.09.1996 17.10.2016 perempuan 59,50 160,40
10 Susanti 20.10.1994 17.10.2016 perempuan 54,50 158,50
11 Triastuti 17.08.1994 17.10.2016 perempuan 45,50 157,00
12 Kusumawati 01.08.1995 17.10.2016 perempuan 57,50 164,20
13 Muhammad 12.12.1996 17.10.2016 laki-laki 60,60 156,20
14 Sutrisno 12.10.1995 17.10.2016 laki-laki 65,60 145,00
15 titik sundari 12.07.1994 17.10.2016 perempuan 67,50 150,00
MENYIMPAN FILE DATA

1. klik Save data atau Save As, beri nama dam masukkan ke directory.
3
MENYISIPKAN DATA
1. Menyisipkan variabel (kolom) :
a. Pindahkan penunjuk sel pada kolom yang akan disisipi
b. Klik Edit : Insert variabel.
2. Menyisipkan kasus (baris):
a. Pindahkan penunjuk sel pada baris yang akan disisipi
b. Klik Edit : Insert case.
PENGURUTAN
Kasus dapat diurutkan berdasarkan satu atau beberapa variabel. Pilih perintah Sort Cases pada menu Data.
Pindahkan satu variabel kekotak sort by, maka variabel tersebut akan dijadikan dasar pengurutan data. Pda
kotak sort order, anda dapat menentukan model pengurutannya, yakni ascending (dari kecil ke besar) atau
descending (dari besar ke kecil).
SELESKSI CASE
Dengan perintah seleksi case anda dapat menentukan (memilih) case-case yang akan diikutsertakan
dalam analisis selanjutnya.
Terdapat 5 pilihan untuk menentukan dasar penyeleksian kasus
 All cases. Seluruh kasus pada file kerja akan diikutsertakan dalam analisis data selanjutnya dalam
analisis data selanjutnya.
 If condition is satisfied. Digunakan untuk memilih case-case yang memenuhi kondisi logika tertentu.
Tekanlah tombol If… untuk menentukan kondisi logika tersebut.
 Random sample of cases. Digunakan bila anda hendak menggunakan case-case random untuk
pemrosesan data (menentukan sampel data random dari populasi). Tekanlah tombol Sample … untuk
menentukan ukuran sampel data tersebut.
Ada dua pilihan pada kotak dialog ini :
 Aproximatly_ % of all case. Untuk menentukan presentase case yang akan diproses dari seluruh
case pada file data anda. Masukkan bilangan antara 1 s/d 99 pada kotak yang tersedia.
 Exactly_case from the first_case. Untuk menentukan proporsi sampel yang akan digunakan.
Masukkan bilangan pada dua buah kotak yang tersedia dimana isi pada kotak yang pertama harus
lebih kecil dari isi kotak yang kedua. Pilihan ini akan menghasilkan sebuah variabel baru yang oleh
SPSS diberi nama FILTER $.
 Based on time or case range. Digunakan bila anda hendak memproses case-case yang berada dalam
interval tertentu. Tekanlah tombol Range … untuk menentukan batas interval tersebut
 Use filter variable. Digunakan bila anda hendak menggunakan vaue-value dari variabel-variabel
numerik yang tersedia pada kotak listing variabel untuk mengontrol case filter. Pindahkan saaaalah satu
variabel numerik tersebut ke kotak yang tersedia untuk dijadikan variabel filter. Case-case dimana pada
vaaariabel filternya berharga 0 tidak akan diikiutsertakan dalam analisis.
Berikut contoh penggunaan If condition is satisfied. Tekanlah tombol If… untuk menentukan
kondisi logika tertentu. Pada kotak dialog gambar 6. Anda dapat mengcopykan nama variabel ke kotak
ekspresi, menentukan angka dan operator dari calculator pad dan mengcopy fungsi dari daftar fungsi. Bila
anda menggunakan konstantang string, maka anda harus menuliskannya dalam tanda petik. Pilihan ini akan
menghasilkan sebuah variabel baru yang oleh SPSS diberi nama FILTER $.
Gambar 6. Kotak dialog Select Cases : If

4
BAB III
TRANSFORMASI DATA
PERINTAH COMPUTE
Perintah compute digunakan untuk melakukan perhitungan terhadap nilai-nilai dari variabel-variabel
yang sudah ada maupun untuk variabel baru pada file kerja. Perhitungan nilai-nilai tersebut diberlakukan
untuk seluruh case maupun case-case yang memenuhi kondisi logika tertentu saja. Kotak Target Variable
digunakan untuk mengisikan nama variabel target. Dengan menekan Type dan Label anda dapat membuat
type dan label sesuai dengan keinginan anda. Kotak Numeric Expression digunakan untuk menyusun
ekspresi yang akan digunakan untuk transformasi variabel target.
Mencari umur
Umur dapat dicari dengan cara sebagai berikut :
1. Pilih compute
2. Tuliskan umur pada target variable
3. Pilih CTIMEDAY dari menu function kemudian masukkan kekotak numeric expression.
4. Masukkan variable tanggal pengukuran dikurangkan tanggal lahir dalam CTIMEDAY
5. Jika umur dihitung dalam tahun dibagi 365.
6. Jika umur dihitung dalam bulan dibagi 30
Contoh kotak dialog perhitungan umur
Kegunaan lain dari perintah compute adalah untuk menghitung nilai IMT dari informasi BB dan
Tinggi badan. Rumus IMT adalah BB/TB2
Langkah-langkah :
1. Pilih Compute
2. Jadikan ‘IMT’ sebagai Target Variabel
3. Ketiklah rumus IMT yaitu bb/((tb/100*tb/100)) atau bb/(tb/100)**2 pada kotak Numeric Expression
4. Tekan OK
5
Hasilnya adalah terbentuknya variabel baru yang bernama IMT yang nilainya sesuai dengan rumus diatas.
Contoh kotak dialog menghitung IMT
Mencari BBI = (TB-100)-0,1*(TB-100)

PERINTAH RECODE
Perintah Recode digunakan untuk memodifikasi atau mengganti nilai-nilai dari variabel –variabel
yang didaftar menjadi nilai-nilai dengan harga baru. Pada perintah Recode ada 2 pilihan yaitu :
1. Into Same Variables. Yakni recode untuk variabel-variabel yang sudah ada (variabel lama). Variabel
lama akan hilang. Penggunaan ini tidak disarankan.
2. Into Different Variables. Yakni recode dengan membentuk variabel-variabel baru.
RECODE DENGAN MEMBENTUK VARIABEL BARU

Perintah yang digunakan adalah Into Different Variables.
Anda harus mengisi nama variabel yang akan diubah kedalam kotak Input Variable->Output variable.
Sedangkan nama variabel baru diketik dikotak Output Variable kemudian klik Change.
Tombol Old and New Values

Digunakan untuk menentukan nilai-nilai yang diganti dengan nilai-nilai baru. Contoh tombol old and
New Value.
Pada kotak Old Value anda bisa menentukan nilai-nilai lama yang akan diganti dengan memilih 7 pilihan
yaitu :
1. individu. Untuk menghitung cacah value yang berharga sama dengan harga yang anda definisikan.
2. System missing. Untuk menghitung cacah value yang berupa system missing value.
3. System-User missing. Fungsinya sama dengan sistem missing.
4. Range dengan interval. Untuk menghitung cacah value yang berharga lebih besar atau sama dengan
awal interval dan lebih kecil atau sama dengan akhir interval.
5. Range lebih kecil atau sama dengan . Untuk menghitung cacah value yang berharga lebih kecil atau
sama dengan harga yang anda definisikan.
6. Range lebih besar atau sama dengan . Untuk menghitung cacah value yang berharga lebih besar atau
sama dengan harga yang anda definisikan.
7. All other value digunakan untuk menentukan nilai-nilai selain nilai yang telah ditentukan sebelumnya.
(else).
Pada kotak New Value terdapat 2 pilihan :
o Value. Untuk mengganti nilai lama yang telah ditentukan dengan nilai baru kemudian diisikan
ditak yang tersedia.
o System missing. Untuk mengganti nilai-nilai lama yang telah ditentukan dengan sisitem missing.
Tombol Change dan Remove untuk menyunting ketentuan-ketentuan yang telah disusun.
Contoh penggunaan recode into deferent variable; Variabel lama umur dibuat variable baru kelompok umur
dengan nilai sebagai berikut :
Kel. umur Kode kel umur Label

 20 1 Remaja
 20 2 Dewasa
Tahapan yang dilakukan adalah :
1. Pilih transform, recode into deferent variable
6
2. Pada kotak numeric variable masukkan variable umur

3. Paada kotak output variable ketik kel_um kemudian klik change
4. tekan old and new variabel
5. untuk membuat kode baru untuk nilai  20 (19,99) gunakan pilihan old value nomor 5 yaitu
Range lebih kecil atau sama dengan. Pada New value pilih value kemudian ketik 1dan klik add.
6. untuk membuat kode baru untuk nilai  20 (20,00) gunakan pilihan old value nomor 6 yaitu
Range lebih besar atau sama dengan . Pada New value pilih value kemudian ketik 2 dan klik
add.
BAB V
PROSEDUR DESKRIPTIF
no_res jen_kel bb tb Umur IMT Kat_TB
1 laki-laki 57,60 163,50 18 21.55 pendek
2 laki-laki 55,50 155,50 18 22.95 Tinggi
3 laki-laki 45,50 154,00 19 19.19 Tinggi
4 perempuan 40,00 155,80 18 16.48 Tinggi
5 perempuan 60,00 170,50 21 20.64 pendek
8 laki-laki 56,60 150,50 18 24.99 Tinggi
13 laki-laki 60,60 156,20 19 24.84 pendek
14 laki-laki 65,60 145,00 21 31.20 pendek
FREQUENCIES
Prosedur frequencies (frekuensi) digunakan untuk membuat tabel frekuensi, yakni berisikan cacah
harga dari semua case dari variabel-variabel yang didaftar, cacah persentase terhadap semua case, cacah
presentase valid (tanpa nilai missing) dan presentase komulatif. Prosedur ini sebaiknya digunakan untuk
data berskala nominal dan ordinal.
Tombol Statistics.. digunakan untuk menampilkan deskripsi statistik univariat. Namun karena frekuensi
ini penggunaannya untuk data nominal dan ordinal sebaiknya tombol ini tidak digunakan.
Contoh : Ingin diketahui distribusi frekuensi jenis kelamin
Statistics
jenis kelamin
N Valid 15
Missing 0
jenis kelamin
Cumulative
Frequency Percent Valid Percent Percent
Valid laki-laki 6 40.0 40.0 40.0
perempuan 9 60.0 60.0 100.0

7
Statistics
jenis kelamin
N Valid 15
Total 15 100.0 100.0
DESCRIPTIVES
Prosedur Descriptives digunakan untuk menampilkan deskripsi statistik univariat dari variabel
numerik (data skala rasio dan interval). Contoh menghitung nilai minimum, maksimum, rata-rata dan
standar deviasi IMT
Descriptive Statistics
N Minimum Maximum Mean Std. Deviation
indeks massa tubuh 15 16.48 31.20 22.6421 3.98436
Valid N (listwise) 15
EXPLORE
Prosedur Explore mempunyai fungsi sama dengan deskriptive. Namun pada explore terdapat prosedur
tambahan yaitu :
- Tampilan diagram Boxplot dan normal Probability Plot
- Uji kenormalan data.
Langkah-langkah :
1. Pilih menu Analiyze
2. Pilih Descriptiuves
3. Pilih explore
4. Pilih variable yang akan diexplore
5. Pilih statistik jika diinginkan tambahan nilai statistik
6. Pilih plot klik normality plot with test
Statistik deskriptif meliputi : Mean, Median, Varian, Standar deviasi, Range, Nilai minimum, nilai
maksimum, interquartil range, skewness dan kurtosis. Conviden Interval (CI) 95% artinya kita percaya
95% bahwa nilai populasi berada pada selang tersebut
Hasil output Explore dari IMT adalah sebagai berikut :
8
Descriptives
Statistic Std. Error
indeks massa tubuh Mean 22.6421 1.02876
95% Confidence Interval for Lower Bound 20.4356

Mean
Upper Bound 24.8486
5% Trimmed Mean 22.5090
Median 21.6939
Variance 15.875
Std. Deviation 3.98436
Minimum 16.48
Maximum 31.20
Range 14.72
Interquartile Range 5.08
Skewness .866 .580
Kurtosis .736 1.121
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic Df Sig. Statistic df Sig.
indeks massa tubuh .155 15 .200* .933 15 .299
a. Lilliefors Significance Correction
*. This is a lower bound of the true significance.

indeks massa tubuh
indeks massa tubuh Stem-and-Leaf Plot
Frequency Stem & Leaf
4.00 1 . 6899
9.00 2 . 011123344
.00 2 .
1.00 3 . 0
1.00 Extremes (>=31)
Stem width: 10.00

Each leaf: 1 case(s)
9
10
Dari hasil output terlihat nilai-nilai statistik, uji kenormalan. Uji kenormalan data dilakukan dengan uji
kolmogorov Smirnov atau Shapiro wilk. Uji kolmogorov smirnov digunakan untuk n >50 dan shapiro wilk
digunakan untuk n ≤ 50. Hasil uji yang dipakai adalah Shapiro wilk karena n=15. Hasil uji menunjukkan
nilai p sebesar 0,933. Hal ini menunjukkan data IMT menyebar normal. Data menyebar normal jika nilai p
> 0,05. Dari gambar Q-Q plot dan box plot terihat bahwa penyebaran data normal.
E. Means
Prosedur means pada compare means digunakan untuk menampilkan mean, standar deviasi sum
dan variance dari variable berskala interval atau rasio pada kelompok-kelompok tertentu
Contoh : Ingin diketahui rata-rata tinggi badan pada laki-laki dan perempuan.
Langkah :
Analyze
Compare means
Means
Maka akan muncul layar sebagai berikut :
Kotak dependent list. Untuk mendaftar satu atau beberapa variable numeric yang akan dicari nilai mean-
nya, yaitu tinggi badan
Kotak independent list. Untuk mendaftar satu atau beberapa variable yang akan digunakan sebagai dasar
pengelompokan, yaitu jenis kelamin
Outputnya sebagai berikut :

Report
tinggi badan
jenis kelamin Mean N Std. Deviation
laki-laki 154.1167 6 6.17265
perempuan 160.2333 9 7.57413
Total 157.7867 15 7.48397
BAB IV
PEMBUATAN GRAFIK
BAR CHARTS
Digunakan untuk menghasilkan grafik berjenis batang (bar) dengan 3 macam tipe yang tersedia yaitu
Simple, Cluster dan Stacked.
o Simple. Menghasilkan bar tunggal untuk masing-masing kategori, case atau variabel pada kategori
axis. Contoh pilihan Simple : untuk melihat distribusi frekuensi jenis kelamin
akan muncul output sebagai berikut :

11
o Clustered. Menghasilkan grup bar untuk masing-masing kategori case atau variabel pada kategori
axis. Contoh untuk melihat distribusi frekuensi jenis kelamin dan kategori tinggi badan. Jenis
kelamin axis.
o Stacked menghasilkan chart bar tertumpuk yang merupakan hasil pembagian chart tunggal
kedalam segmen-segmen yang ditumpuk diatas segmen lainnya. Contoh untuk melihat distribusi
frekuensi jenis kelamin dan kat TB
12
LINE CHART
Digunakan untuk menghasilkan gambar berbentuk berjenis garis dengan 3 macam type yang tersedia
yaitu simple, multiple dan Drop line.
Contoh : Rata-rata IMT menurut jenis kelamin
13
PIE CHART
Digunakan untuk menghasilkan gambar pie sederhana atau pie komposit dari file data
pilih salah satu alternatif pada kotak :

 Summaries for groups of cases. Menghasilkan sebuah bagian untuk masing-masing kategori dari
variable kategori. Pilihan ini merupakan default. Contoh:
SCATTERPLOT
Digunakan untuk menghasilkan scaterplot sederhana.
Simple menghasilkan plot yang menunjukkan distribusi bersama dua variable. Pilihan ini merupakan
default.
Contoh : Hubungan antara umur dan IMT. Tebaran titik-titik dapat ditarik garis lurus dengan cara :
1. Gambar diklik 2 kali, kemudian pilih chart
2. Pilih option
3. Pilih fit line
4. Pilih total
Hal ini dipakai untuk melihat gambaran korelasi 2 buah variabel

14
HISTOGRAM
Digunakan untuk menghasilkan histogram yang menunjukkan distribusi dari nilai.
Contoh : Histogram dari IMT
15
1 Std. Dev = 2.15

Mean = 21.8
0 N = 20.00
17.0 18.0 19.0 20.0 21.0 22.0 23.0 24.0 25.0
IMT
STATISTIK PARAMETRIK
A. Independent Samples Test

Prosedur ini digunakan untuk menguji perbedaan rata-rata pada dua sample independent
untuk data berdistribusi normal.
Contoh : Apakah ada perbedaan berat badan bayi yang dilahirkan ibu perokok dan bukan
perokok
No Bb bayi Keb merokok pada No Bb bayi Keb merokok pada

(gram) ibu (gram) ibu
1 2550 Perokok 11 3000 Bukan perokok
Diuji kenormalan datanya dulu, hasilnya sebagai berikut :
Tests of Normality
kebiasaan
merokok Statistic df Sig. Statistic Df Sig.
berat badan bayi perokok .113 10 .200* .985 10 .985
bukan perokok .150 10 .200* .946 10 .619

Ternyata data bb bayi berdistribusi normal karena hasil uji Shapiro wilk pada perokok p=
0,985 dan bukan perokok p=0,619 sehingga yang digunakan uji independent t test.
Ternyata data berat badan bayi berdistribusi normal karena hasil uji kolmogorov p=
0,200 sehingga uji yang digunakan uji independent sample t test.
Langkah :
16
Analyze
Compare means
Independent samples t test
Kotak Test variable(s). Untuk mendaftar satu atau beberapa variable numeric yang akan
diuji. Masukkan bb bayi.
Kotak grouping variables. Untuk mendaftar satu variable yang akan dijadikan sebagai
variable grup. Variabel ini akan dikelompokkan kedalam dua grup. Masukkan kebiasaan
merokok
Tombol Define Groups

Digunakan untuk mengelompokkan variable grup menjadi 2 kelompok independent
Kemudian oke maka akan muncul output sebagai berikut :
T-Test
Group Statistics
Std. Error
kebiasaan merokok N Mean Std. Deviation Mean
berat badan bayi perokok 10 2655,00 153,569 48,563
bukan perokok 10 3060,00 154,200 48,762
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
berat badan bayi Equal variances
,023 ,882 -5,885 18 ,000 -405,00 68,819 -549,584 -260,416
assumed
Equal variances
-5,885 18,000 ,000 -405,00 68,819 -549,584 -260,416
not assumed
Pada tabel grup statistik terlihat bahwa rata-rata berat badan bayi ibu perokok lebih
rendah dari pada bukan perokok
Pada table independent sample test terdapat levene’s test for quality of variance. Levene
test ini dugunakan untuk menguji apakah varians kelompok perokok dan bukan perokok
sama atau tidak. Ho-nya adalah varians kedua kelompok sama. Dari hasil uji levene
diketahui nilai p= 0,882 sehingga varians pada dua kelompok sama. Jadi yang dibaca
adalah nilai-nilai pada baris equal varianc assumed. Dari hasil diatas terlihat nilai t=
-5,885 dengan nilai p=0,000. dapat disimpulkan ada perbedaan berat badan bayi pada ibu
yang perokok dan bukan perokok.
B. Paired Sampels T Test

Prosedur ini digunakan untuk menguji beda rata-rata dua sample berpasangan
(dependent) dan data berdistribusi normal. .
Contoh : Apakah ada perbedaan kadar Hb dari 10 penderita anemi sebelum dan sesudah
diberi suntikan vitamin B12 intra muskular sebanyak 30 mg setiap 4 minggu selama 6
bulan.
17
Kadar Hb (gr %)
Penderita Sebelum pengobatan Setelah pengobatan
1 11,3 12,2
2 10,3 12,5
3 10,0 12,7
4 11,0 13,0
5 9,7 12,2
6 10,5 12,0
7 9,5 11,5
8 10,8 11,7
9 9,8 12,4
10 9,2 13,0

Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
kadar hb sbl ,125 10 ,200* ,972 10 ,907
kadar hb ssd ,111 10 ,200* ,958 10 ,763
Ternyata data kadar hb sebelum dan sesudah pengobatan berdistribusi normal karena
hasil uji Shapiro wilk p= 0,907 dan p=0,763 sehingga yang digunakan uji paired samples
t test.
Langkah :
Analyze
Compare means
Paired Samples t test
Kotak paired variable(s). Untuk mendaftar beberapa pasangan variable numeric yang
akan diuji. Masukkan hbsbl dan hbssd
Outputnya sebagai berikut ;

T-Test
Paired Samples Statistics
Std. Error
Mean N Std. Deviation Mean
Pair kadar hb sbl 10,2100 10 ,68710 ,21728
1 kadar hb ssd 12,3200 10 ,50509 ,15972
Paired Samples Correlations
N Correlation Sig.
Pair kadar hb sbl &
10 -,061 ,866
1 kadar hb ssd
18
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 kadar hb sbl -
-2,1100 ,87743 ,27747 -2,7377 -1,4823 -7,604 9 ,000
1 kadar hb ssd
Dari output diatas terlihat bahwa rata-rata kadar hb sebelum 10,21 dan kadar hb sedudah
12,32 . Dari table paired terlihat nilai t sebesar –7,604 dan p=0,00, sehingga dapat
disimpulkan ada perbedaan kadar hb sebelum dan sesudah diberi suntikan vitamin B12
C. One Way Anova
ANOVA atau Analysis of variance digunakan untuk menguji perbedaan rata-raat lebih
dari dua kelompok. One way anova digunakan untuk analisis disain eksperimen acak
lengkap. Uji ini digunakan untuk data berdistribusi normal dan varian antara kelompok
homogen.
Contoh Apakah ada pengaruh pemberian formula terhadap peningkatan berat badan bayi
sehat. Ada 15 bayi dibagi dalam 3 kelompok . Kelompok I memperoleh Formula A,
kelompok II memperoleh formula B dan kelompok III memperoleh formula C. Ujilah
pada tingkat kemaknaan 1 %.Data peningkatan berat badan bayi (gram) adalah sebagai
berikut :
no Bb_bayi formula No Bb bayi Formula

1 10 A 9 5 B
2 11 A 10 7 B
3 12 A 11 13 C
4 13 A 12 10 C
5 14 A 13 11 C
6 6 B 14 12 C
7 9 B 15 12 C
8 8 B
Tests of Normality
formula Kolmogorov-Smirnova Shapiro-Wilk

makana
n Statistic Df Sig. Statistic df Sig.
berat badan bayi A .136 5 .200* .987 5 .967
B .136 5 .200* .987 5 .967
C .237 5 .200* .961 5 .814

Ternyata data bb bayi berdistribusi normal karena hasil uji Shapiro wilk p= 0,967;
p=0,967 dan p=0,814 sehingga yang digunakan uji one way anova.
19
Langkah :
Analyze
Compare Means
One_Way Anova
Kemudian akan muncul kotak dialog
Kotak dependent list: Untuk memasukkan variabe dependent yang akan diuji.. masukkan
bb bayi
Kotak factor : untuk memasukkan variabel independent. Masukkan formula
Untuk menampilkan deskripsi data dan uji homogenitas tekan option dan pilih descriptive
dan homogenety of variance maka akan muncul kotak dialog seperti dibawah ini
Untuk uji lanjut Anova pilih Post Hoc, maka dilayar akan muncul kotak dialog sebagai
berikut:
Tombol Post Hoc digunakan untuk menampilkan uji pembanding ganda antar rata-rata.
Output hasil uji tersebut adalah sebagai berikut :
Oneway
Descriptives
BB_BAYI
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
form_A 5 12,0000 1,5811 ,7071 10,0368 13,9632 10,00 14,00
form_B 5 7,0000 1,5811 ,7071 5,0368 8,9632 5,00 9,00
form_C 5 11,6000 1,1402 ,5099 10,1843 13,0157 10,00 13,00
Total 15 10,2000 2,7045 ,6983 8,7023 11,6977 5,00 14,00
20
Test of Homogeneity of Variances
BB_BAYI
Levene
Statistic df1 df2 Sig.
,296 2 12 ,749
ANOVA
BB_BAYI
Sum of
Squares df Mean Square F Sig.
Between Groups 77,200 2 38,600 18,381 ,000
Within Groups 25,200 12 2,100
Total 102,400 14
Post Hoc Tests

Multiple Comparisons
Dependent Variable: BB_BAYI
Mean
Difference 99% Confidence Interval
(I) FORMULA (J) FORMULA (I-J) Std. Error Sig. Lower Bound Upper Bound
Tukey HSD form_A form_B 5,0000* ,9165 ,000 1,7298 8,2702
form_C ,4000 ,9165 ,901 -2,8702 3,6702
form_B form_A -5,0000* ,9165 ,000 -8,2702 -1,7298
form_C -4,6000* ,9165 ,001 -7,8702 -1,3298
form_C form_A -,4000 ,9165 ,901 -3,6702 2,8702
form_B 4,6000* ,9165 ,001 1,3298 7,8702
LSD form_A form_B 5,0000* ,9165 ,000 2,2005 7,7995
form_C ,4000 ,9165 ,670 -2,3995 3,1995
form_B form_A -5,0000* ,9165 ,000 -7,7995 -2,2005
form_C -4,6000* ,9165 ,000 -7,3995 -1,8005
form_C form_A -,4000 ,9165 ,670 -3,1995 2,3995
form_B 4,6000* ,9165 ,000 1,8005 7,3995
*. The mean difference is significant at the .01 level.
Homogeneous Subsets
BB_BAYI
Subset for alpha = .01

FORMULA N 1 2
Tukey HSDa form_B 5 7,0000
form_C 5 11,6000
form_A 5 12,0000
Sig. 1,000 ,901
Duncan a form_B 5 7,0000
form_C 5 11,6000
form_A 5 12,0000
Sig. 1,000 ,670
Means for groups in homogeneous subsets are displayed.
a. Uses Harmonic Mean Sample Size = 5,000.
21
Dari uotput terlihat :

1. Deskripsi berat badan bayi meliputi nilai rata-rata, standar deviasi, standar error,
minimum dan maksimum.
2. Hasil uji homogenitas varian diperoleh nilai p = 0,749 berarti varian antar
kelompok homogen sehingga dapat menggunakan uji ANOVA.
3. Hasil uji ANOVA diperoleh nilai p= 0,000 dapat disimpulkan ada pengaruh
pemberian formula makanan terhadap peningkatan berat badan bayi.
4. Hasil uji pembanding ganda dapat diliha pada hasil Post Hoc Test.
5. Hasil uji LSD dan Tukey HSD terlihat yang diberi tanda (*) adalah yang berbeda
bermakna pada  0,01.
6. Hasil uji Tukey HSD dan Duncan yang berbentuk tabel , yang berbeda bermakna
adalah yang nilai rata-ratanya terletak pada kolom yang berbeda.
7. Dari ketiga uji tersebut dapat disimpulkan yang berbeda adalah kelompok yang
diberi formula A dan formula B serta yang diberi formula B dan formula C.
D. Korelasi Bivariat
Korelasi bivariat pada statistic parametrik digunakan untuk menghasilkan matrik

korelasi pearson product moment dari 2 variabel numeric yang berdistribusi normal.
Contoh : Berikut adalah data hasil penelitian pada 20 ibu hamil.
no Kons fe (mg) Hb no Kons fe (mg) hb

1 12 12 11 9 9
2 9 11,5 12 8 10
3 10 10,5 13 15 14
4 17 13 14 7 9,5
5 18 14 15 14 12,5
6 15 12 16 13 11,5
7 14 13 17 12 10,5
8 13 12 18 15 13
9 11 11 19 14 12,5
10 10 10 20 13 12
Apakah ada hubungan antara konsumsi Fe dengan kadar hb

Tests of Normality
a
konsumsi Fe ibu hamil ,124 20 ,200* ,974 20 ,841
kadar Hb ibu hamil ,140 20 ,200* ,964 20 ,636
Ternyata data konsumsi Fe ibu hamil dan kadar Hb ibu hamil berdistribusi normal
karena hasil uji Shapiro wilk p= 0,841 dan p=0,636 sehingga yang digunakan adalah
korelasi pearson product moment.
Langkah :
Analyze
Correlate
22
Bivariate
Kotak variables berfungsi untuk mendaftar pasangan variable yang akan dihitung
koefisien korelasinya. Masukkan variable konsumsi fe dan kadar Hb
Terdapat 3 check box pada correlate coefficients.

 Pearson : Untuk menampilkan koefisien korelasi yang dihitung dengan metode
Pearson. (otomatis).
 Kendall’stau-b : untuk menampilkan koefisien korelasi non parametrik Kendall,
(data skala ordinal).
 Spearman. untuk menampilkan koefisien korelasi pearson versi non parametrik
(data skala ordinal).
Pilih pearson
Test of Significant.
 Two tailed (uji 2 arah), jika dalam hipotesis arahnya belum jelas
 One tailed (uji 1 arah), jika dalam hipotesis arahnya sudah jelas.
Pilih two tail

Correlations
konsumsi Fe kadar Hb
ibu hamil ibu hamil
konsumsi Fe ibu hamil Pearson Correlation 1 ,889**
Sig. (2-tailed) . ,000
N 20 20
kadar Hb ibu hamil Pearson Correlation ,889** 1
Sig. (2-tailed) ,000 .
N 20 20
**. Correlation is significant at the 0.01 level (2-tailed).
Dari hasil output diatas terlihat nilai korelasi (r) = 0,889 nilai p untuk 2 arah 0,000.
sehingga ada hubungan antara konsumsi Fe dan kadar Hb ibu hamil.Semakin tinggi
konsumsi Fe semakin tinggi kadar Hb ibu hamil.
E. Regresi Linier
Prosedur regresi linier digunakan untuk membuat model linier untuk prediksi
variable dependent yang bersifat kontinyu dari variable independent yang bersifat
kontinyu dan berdistribusi normal .
Diagnose residual seperti deteksi kasus influensial, outlier dan pelanggaran terhadap
asumsi model juga tersedia.
Contoh : Berikut adalah data hasil penelitian pada 20 ibu hamil.
No Kons fe (mg) Hb no Kons fe (mg) hb

1 12 12 11 9 9
2 9 11,5 12 8 10
3 10 10,5 13 15 14
4 17 13 14 7 9.5
5 18 14 15 14 12.5
6 15 12 16 13 11.5
23
7 14 13 17 12 10.5
8 13 12 18 15 13
9 11 11 19 14 12.5
10 10 10 20 13 12
Bagaimana persamaan regresi dari data diatas bila konsumsi Fe (variable X atau
prediktor) dan kadar hb (variable Y) dan apa artinya ?
Diuji kenormalan datanya dulu. hasilnya sebagai berikut :

Tests of Normality
a
konsumsi Fe ibu hamil ,124 20 ,200* ,974 20 ,841
kadar Hb ibu hamil ,140 20 ,200* ,964 20 ,636
Ternyata data konsumsi Fe ibu hamil dan kadar Hb ibu hamil berdistribusi normal
karena hasil uji Shapiro wilk p= 0.841 dan p=0.636 sehingga dapat diuji regresi linier.
Untuk menjalankan prosedur regresi linier dari menu pilihlah

Analyze
Statistics
Regression
Linier
Kotak dialog Linier Regression sebagai berikut :
Pada kotak dialog anda harus mengisikan :

Dependent. Pilihlah variable dependen yang bersifaf kontinyu. Masukkan kadar Hb
Independent(s). Pilihlah satu atau lebih variable independen. Masukkan konsumsi Fe.
Method. Metode pemilihan variable independen untuk model regresi linier. Pilihlah
Enter.
Outputnya sebagai berikut:
Regression
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 konsumsi
Fe ibua . Enter
hamil
a. All requested variables entered.
b. Dependent Variable: kadar Hb ibu hamil
24
Model Summary
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,889a ,791 ,779 ,67000
a. Predictors: (Constant), konsumsi Fe ibu hamil
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 30,557 1 30,557 68,071 ,000a
Residual 8,080 18 ,449
Total 38,637 19
a. Predictors: (Constant), konsumsi Fe ibu hamil
b. Dependent Variable: kadar Hb ibu hamil
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 6,349 ,663 9,579 ,000
konsumsi Fe ibu hamil ,428 ,052 ,889 8,251 ,000
a. Dependent Variable: kadar Hb ibu hamil
1. R = 0,889R = nilai korelasi ganda (lebih dr 2 variabel)

2. R2 = 0,791 ( 79,1%) adalah koefisien determinan Proporsi kadar Hb yang dapat
dijelaskan oleh konsumsi Fe.
3. Hasil uji ANOVA p = 0.000 berarti hubungan konsumsi Fe dengan kadar Hb
linier.
4. Pada table coefficients nilai p untuk constant dan konsumsi Fe = 0.000 berarti
konsumsi Fe sebagai variable predictor kadar Hb. dengan persamaan sebagai
berikut :
Y = a + bX
Kadar Hb = 6.349 + 0.428 konsumsi Fe.
Interpretasi ; jika konsumsi Fe ibu hamil bertambah 1 mg maka kadar Hb akan

bertambah 0.428 gr %.
Jika ibu hamil mengkonsumsi Fe 12 mg maka :
Kadar Hb = 6.349 + 0.428 x 12 =11.485
STATISTIK NON PARAMETRIK

A. Uji Chi Square
Chi square digunakan untuk menguji ketidaktergantungan (test of independence). Untuk
memeriksa apakah dua buah variabel dari sebuah sample saling tergantung atau tidak. Uji chi
square terdapat pada crosstabe. Prosedur crosstabs digunakan untuk menampilkan tabulasi silang .
Prosedur ini digunakan untuk deskripsi statistik bivariat dan pengujian dari 2 variabel khususnya
variable yang berbentuk kategori.
25
Contoh : Apakah ada hubungan antara status gizi dengan status hipertensi dengan α = 0. 05?
No Status gizi Status hipertensi
1 Normal Tidak hipertensi
2 Gemuk Hipertensi
3 Normal Hipertensi
6 Gemuk Hipertensi
7 Gemuk Hipertensi
9 Gemuk Hipertensi
13 Gemuk Hipertensi
14 Gemuk Hipertensi
15 Normal Hipertensi
16 Gemuk Hipertensi
18 Normal Hipertensi
19 Gemuk Hipertensi
20 Gemuk Tidak hipertensi
21 Gemuk Tidak hipertensi
langkah-langkah sebagai berikut :

Analyze
Descriptive statistic
Crosstabs
Kotak Rows : untuk mendaftar variable-variabel yang casenya akan ditampilkan secara baris.
Kotak columns: Untuk mendaftar variable-variabel yang casenya akan ditampilkan secara kolom.
Kotak layers: Untuk mendaftar variabe-variabel kontrol.
Status gizi masukkan ke rows dan status hipertensi masukkan ke columns
Tombol Cells
Digunakan untuk menentukan isi sel .
Untuk counts pilih expected.

Untuk percentages pilih row karena desain penelitiannya crosectional.
Uji chi square ada pada tombol statistics
Tombol statistics.
Chi square digunakan untuk uji hipotesis apakah variable baris dan kolom idependen atau tidak.
Pilihan ini tidak dapat digunakan bilamana terdapat sel yang nilai expectednya lebih kecil 1 atau
lebih dari 20% sel mempunyai nilai expected lebih kecil 5.
Pilihan check box

26
 Contingency coefficient. Untuk pengukuran asosiasi lanjutan dari chi square

 Cramer’s V. untuk pengukuran asosiasi lanjutan dari chi square terutama table 2X2.
Khusus table 2 x 2 akan selalu muncul tes Fisher. Pilihan ini digunakan bilamana terdapat sel
yang nilai expectednya lebih kecil 1 atau lebih dari 20% sel mempunyai nilai expected lebih kecil
5. Nilai OR dapat dimunculkan guna mengetahui faktor risiko.
Output hasil uji diatas sebagai berikut :

status gizi * status hipertensi Crosstabulation
status hipertensi
tidak
hipertensi hipertensi Total
status normal Count 9 3 12
gizi Expected Count 6,0 6,0 12,0
% within status gizi 75,0% 25,0% 100,0%
gemuk Count 2 8 10
Expected Count 5,0 5,0 10,0
Total Count 11 11 22
Chi-Square Tests
Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 6,600b 1 ,010
Continuity Correctiona 4,583 1 ,032
Likelihood Ratio 6,994 1 ,008
Fisher's Exact Test ,030 ,015
Linear-by-Linear
6,300 1 ,012
Association
N of Valid Cases 22
a. Computed only for a 2x2 table
b. 0 cells (,0%) have expected count less than 5. The minimum expected count is
5,00.
Symmetric Measures
Value Approx. Sig.

Nominal by Phi ,548 ,010
Nominal Cramer's V ,548 ,010
N of Valid Cases 22
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null
hypothesis.
27
Risk Estimate
95% Confidence Interval
Value Lower Upper
Odds Ratio for status gizi2x2 12.000 1.581 91.084

(normal / gemuk)
For cohort stat hip 2x2 = 3.750 1.041 13.513

tidak hipertensi
For cohort stat hip 2x2 = .313 .112 .873

hipertensi
N of Valid Cases 22
Pembacaan table : pada sample yan berstatus gizi normal 75% tidak hipertensi dan
25 % hipertensi. pada sample yang berstatus gizi gemuk 20 % tidak hipertensi dan 80%
hipertensi.. Dari hasil uji chi square ternyata tidak ada sel yang nilai harapannya kurang
dari 5 (nilai harapan terlihat pada table silang) sehingga yang dibaca adalah hasil
pearson chi square. Nilai chi square 6.6 dan nilai p=0.01. Dapat disimpulkan bahwa ada
hubungan antara status gizi dengan status hipertensi . Jika nilai harapan yang kurang
dari 5 lebih dari 20 % maka uji yang digunakan adalah uji Fisher exact. Nilai Phi Cramers
V sebesar 0.548. hal ini menunjukkan nilai korelasi antara status gizi dengan status
hipertensi sebesar 0.548.
A=9 . B=3. C=2. D=8 OR = ad/bc = 12
Orang yang gemuk berisiko hipertensi 12 kali lebih besar dibanding orang yang normal
Untuk table 3x 2
Contoh : Apakah ada hubungan antara status gizi dengan status hipertensi dengan α = 0.05?
no status gizi status hipertensi

1 normal tidak hipertensi
2 gemuk Hipertensi
3 normal Hipertensi
6 gemuk Hipertensi
7 gemuk Hipertensi
9 gemuk Hipertensi
13 gemuk Hipertensi
14 gemuk Hipertensi
15 normal Hipertensi
16 gemuk Hipertensi
28

18 normal Hipertensi
19 gemuk Hipertensi
20 gemuk tidak hipertensi
21 gemuk tidak hipertensi
23 kurus tidak hipertensi
24 kurus Hipertensi
25 kurus Hipertensi
26 kurus Hipertensi
Analyze
Descriptive statistic
Crosstabs
Maka akan muncul layer sebagai berikut :
Status gizi masukkan ke rows dan status hipertensi masukkan ke columns. karena tabel 3 x 2 maka
supaya muncul hasil test fisher pada output pilihlah exact. maka akan muncul layar sebagai
berikut ;
Pilihlah exact
Tombol Cells
Digunakan untuk menentukan isi sel .
Untuk counts pilih expected.

Untuk percentages pilih row karena desain penelitiannya crosectional.
Uji chi square ada pada tombol statistics

Pada check box pilihlah Contingency coefficient.
Output sebagai berikut ;
29
Crosstabs
status gizi * status hipertensi Crosstabulation
status hipertensi
tidak
hipertensi hipertensi Total
status kurus Count 5 3 8
gizi Expected Count 4,3 3,7 8,0
normal Count 9 3 12
gemuk Count 2 8 10
Total Count 16 14 30
Chi-Square Tests
Asymp. Sig. Exact Sig. Exact Sig. Point

Value df (2-sided) (2-sided) (1-sided) Probability
Pearson Chi-Square 6,998a 2 ,030 ,b
Likelihood Ratio 7,366 2 ,025 ,039
Fisher's Exact Test 6,779 ,039
Linear-by-Linear c
3,595 1 ,058 ,065 ,047 ,032
Association
N of Valid Cases 30
a. 3 cells (50,0%) have expected count less than 5. The minimum expected count is 3,73.
b. Cannot be computed because there is insufficient memory.
c. The standardized statistic is 1,896.
Symmetric Measures
Value Approx. Sig. Exact Sig.

Nominal by Nominal Contingency Coefficient ,435 ,030 ,c
N of Valid Cases 30
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Cannot be computed because there is insufficient memory.
Pembacaan table : pada sample yan berstatus gizi kurus 62.5% tidak hipertensi dan
37.5% hipertensi. pada sample yang berstatus gizi normal75% tidak hipertensi dan 25 %
hipertensi dan pada sample yang berstatus gizi gemuk 20 % tidak hipertensi dan 80%
hipertensi.. Dari table chi square test ternyata ada 3 sel (50 %) yang nilai harapannya
kurang dari 5(nilai harapan terlihat pada table silang) sehingga uji chi square tidak valid
dengan demikian yang dibaca Fisher Exact Test.. Dari Fisher Exact Test diperoleh nilai
sig two tail (p) = 0.039. Dapat disimpulkan bahwa ada hubungan antara status gizi
dengan status hipertensi . Nilai Phi Coefficient contingensi sebesar 0.435. hal ini
menunjukkan nilai korelasi antara status gizi dengan status hipertensi sebesar 0.5435.
b. Uji Korelasi Rank Spearman
30
Uji ini digunkan untuk mengetahui hubungan 2 variabel berskala rasio. interval dan ordinal . Uji ini
digunakan untuk data numerik yang tidak berdistribusi normal.
Contoh : Apakah ada hubungan antara indeks massa tubuh dengan tekanan darah sistolik?
No Imt Tekanan darah sistolik

1 22 100
2 22 100
3 25 110
4 25 100
5 24 110
6 22 110
7 24 110
8 22 110
9 24 110
10 22 120
11 25 110
12 24 130
13 22 120
14 24 130
15 25 130
16 22 130
17 25 130
18 25 130
19 25 140
20 25 130
21 30 140
22 30 140

Tests of Normality
indeks massa tubuh .282 22 .000 .780 22 .000
tekanan darah .226 22 .005 .884 22 .014

Hasil uji Shapiro nilai p=0.000 dan 0.014 jadi data tidak normal. kemudian diuji korelasi rank
Spearman langkah-langkah sebagai berikut :
Analyze
Correlate
Bivariate
Pada correlation coefficients pilih Spearman.

Maka akan muncul Outputnya adalah sebagai berikut :
31
Correlations
indek masa tekanan darah

tubuh sistolik
Spearman's rho indek masa tubuh Correlation Coefficient 1,000 ,513*
Sig. (2-tailed) , ,015
N 22 22
tekanan darah sistolik Correlation Coefficient ,513* 1,000
Sig. (2-tailed) ,015 ,
N 22 22
*. Correlation is significant at the .05 level (2-tailed).
Dari hasil output diatas terlihat nilai spearman rho = 0.513 nilai p untuk 2 arah 0.015. sehingga
Ho ditolak berarti ada hubungan antara imt dengan tekanan sistolik .
C. Uji Mann Whitney

Digunkan untuk mengetahui perbedaan rata-rata 2 sampel bebas. data numerik yang tidak
berdistribusi normal. Contoh : Apakah ada perbedaan berat badan bayi di desa dan kota ?
No Bb_bayi Tempat tinggal

1 20 Desa Diuji kenormalan datanya dulu. hasilnya
sebagai berikut :
2 16 Desa
Tests of Normality
3 14 Desa
4 20 Desa
tempat
5 21 Desa Statistic
tinggal Df Sig. Statistic df Sig.
6 13 Desa
berat badan bayi Desa .296 8 .038 .829 8 .058
7 14 Desa
8 20 KotaDesa .311 8 .022 .736 8 .006
9 12 Kota
10 10 Kota Ternyata data berat badan bayi di kota tidak
11 12 Kota berdistribusi normal karena hasil uji shapiro nilai
p=0.006. kemudian diuji Mann Whitney dengan
12 12 Kota
13 10 Kota Analyze
14 10 Kota Non Parametric Tests
15 11 Kota 2 independent Samples
Masukkan varaibel BB_bayi kedalam
16 12 Kota
kotak test variabel list dan tinggal kedalam
grouping variabel kemudian klik difene group . Ketik 1 dikotak group 1 dan 2 dikotak group 2
tekan continue lalu oke. Outputnya adalah sebagai berikut :
NPar Tests
Mann-Whitney Test
Ranks
ttgl N Mean Rank Sum of Ranks
bb_by desa 8 12.50 100.00
kota 8 4.50 36.00
Total 16
32
Ranks
ttgl N Mean Rank Sum of Ranks
bb_by desa 8 12.50 100.00
kota 8 4.50 36.00
Test Statisticsb
bb_by
Mann-Whitney U .000
Wilcoxon W 36.000
Z -3.409
Asymp. Sig. (2-tailed) .001
Exact Sig. [2*(1-tailed Sig.)] .000a
a. Not corrected for ties.
b. Grouping Variable: ttgl
Berdasarkan output diatas diektahui bahwa Asymp Sig (2-tailed) adalah 0.001. Jadi p=0.001
sehingga p< 0,05 Jadi ada perbedaan berat badan bayi dikota dan di desa.
E. Uji Kruskal Wallis
Uji ini digunkan untuk mengetahui perbedaan rata-rata lebih dari 2 sampel bebas. Uji ini
Contoh : Apakah ada perbedaan berat badan bayi di desa . margina (pinggiran kota) dan kota ?
No Bb_bayi Tempat tinggal
1 20 Desa
2 16 Desa
3 14 Desa
4 20 Desa
5 21 Desa
6 13 Desa
7 14 Desa
8 20 Desa
9 12 Kota
10 10 Kota
11 12 Kota
12 12 Kota
13 10 Kota
14 10 Kota
15 11 Kota
16 12 Kota
17 14 Marginal
18 15 Marginal
19 8 Marginal
20 10 Marginal
21 8 Marginal
33
22 9 Marginal
23 24 Marginal
24 10 Marginal
Tests of Normality
tempat
tinggal Statistic Df Sig. Statistic df Sig.
berat badan bayi Desa .296 8 .038 .829 8 .058
Kota .311 8 .022 .736 8 .006
Marginal .286 8 .053 .794 8 .024
Ternyata data yang tidak berdistribusi normal karena p=0.06 dan p=0.024
(data di kota dan marginal) kemudian diuji Kruskal Wallis dengan langkah-
langkah sebagai berikut :
Analyze
Non Parametric Tests
K Independent Samples
Masukkan varaibel BB_bayi kedalam kotak test variabel list dan tinggal kedalam grouping
variabel kemudian klik difene range.
Ketik 1 dikotak minimum dan 3 dikotak maximum tekan continue lalu oke.
Outputnya adalah sebagai berikut :
NPar Tests
Kruskal-Wallis Test
Ranks
tempat
tinggal N Mean Rank
berat badan bayi Desa 8 18.88
Kota 8 9.13
Marginal 8 9.50
Total 24
Test Statisticsa.b
berat badan bayi
Chi-Square 9.933
Df 2
Asymp. Sig. .007
a. Kruskal Wallis Test

34
Ranks
tempat
tinggal N Mean Rank
berat badan bayi Desa 8 18.88
Kota 8 9.13
Marginal 8 9.50
b. Grouping Variable: tempat

tinggal
Dari output diatas terlihat Asymp sig = 0.007 (p=0.007) dapat disimpulkan ada perbedaan rata-
rata berat badan bayi di di desa . marginal (pinggiran kota) dan kota
F. Wilcoxon
Wilcoxon digunakan untuk menguji perbedaan rata-rata 2 sampel dependent(terikat).Uji ini
digunakan untuk data numerik yang tidak berdistribusi normal. Contoh: Apakah ada perbedaan
berat badan bayi sebelum diberi PMT dan sesudah diberi PMT ?
No
sampel bb_sblm bb_ssd
1 10 12
2 11 13
3 12 11
4 10 11
5 11 14
6 12 14
7 9 13
8 8 14
9 11 14
10 12 13
11 11 11
12 10 11
13 11 12
14 12 13
15 12 13
Langkah –langkah
Tests of Normality
a
BB_SBL ,232 15 ,028 ,864 15 ,031
BB_SSD ,232 15 ,029 ,849 15 ,017
Ternyata data tidak berdistribusi normal karena p=0.031 dan 0.017 kemudian
diuji Wicoxon dengan langkah-langkah sebagai berikut :
Analyze
2 related Samples
Masukkan variabel bb_sbl dan bb_ssd kedalam kotak test Pair(s) list lalu tekan oke
35

Wilcoxon Signed Ranks Test
Ranks
N Mean Rank Sum of Ranks

BB_SSD - BB_SBL Negative Ranks 1a 4,00 4,00
Positive Ranks 13b 7,77 101,00
Ties 1c
Total 15
a. BB_SSD < BB_SBL
b. BB_SSD > BB_SBL
c. BB_SBL = BB_SSD
Test Statisticsb
BB_SSD -
BB_SBL
Z -3,091a
Asymp. Sig. (2-tailed) ,002
a. Based on negative ranks.
b. Wilcoxon Signed Ranks Test
Ada perbedaan berat badan bayi sebelum diberi PMT dan sesudah diberi PMT (p=0.002)
G. Uji Mc Nemar
Uji Mc Nemar digunakan untuk menguji perbedaan dua set pengamatan
berpasangan atau dua sample berhubungan berskala nominal (dikotom) . Contoh :
Apakah ada perbedaan status gizi bayi sebelum diberi PMT dan sesudah diberi PMT ?
No sampel SG sebelum SG sesudah
1 1 2
2 2 2
3 2 1
4 1 1
5 2 2
6 1 2
7 2 2
8 2 1
9 1 2
10 1 2
11 1 2
12 2 1
13 1 2
14 1 2
15 1 2
Keterangan : 1 = KEP ; 2 = tidak KEP
Langkah –langkah
Analyze
2 related Samples
Masukkan variabel sg_sbl dan sg_ssd kedalam kotak test Pair(s) list pilih Mc Nemar untuk test
type lalu tekan oke
McNemar Test
Crosstabs
36
SG_SBL & SG_SSD
SG_SSD
SG_SBL 1 2
1 1 8
2 3 3
Test Statisticsb
SG_SBL &
SG_SSD
N 15
Exact Sig. (2-tailed) ,227a
a. Binomial distribution used.
b. McNemar Test
Dari hasil diatas ternyata p = 0.227 sehinggaa dapat disimpulkan tidak ada perbedaan stataus gizi
sebelum dan sesudah diberi PMT.
H. Uji Friedman
Digunakan untuk mengetahui perbedaan rata-rata lebih dari 2 sampel yang terikat. Uji ini
Contoh : Dari hasil uji organoleptik rasa 3 jenis roti tarwar adalah sebagai be rikut :
Panelis Rasa Roti A Rasa Roti B Rasa Roti C
1 3 5 7
2 4 6 7
3 3 5 8
4 4 6 8
5 4 5 7
6 4 6 7
7 3 6 8
8 3 5 8
9 4 5 8
10 5 6 7
Apakah ada perbedaan rasa roti A.B dan C
langkah –langkah : Diuji kenormalan datanya dulu. hasilnya sebagai berikut :
Tests of Normality
rasa roti A .272 10 .035 .802 10 .015
rasa roti B .329 10 .003 .655 10 .000
rasa roti C .329 10 .003 .655 10 .000
Ternyata data tidak berdistribusi normal karena p=0.015. 0.00 dan 0.00
kemudian diuji Friedman dengan langkah-langkah sebagai berikut :
Analyze
K related Samples
Masukkan variabel rasa_a. rasa_b dan rasa_c kedalam kotak test variabels lalu tekan oke
37

NPar Tests
Friedman Test
Ranks
Mean Rank
rasa roti A 1.00
rasa roti B 2.00
rasa roti C 3.00
Test Statisticsa
N 10
Chi-Square 20.000
df 2
Asymp. Sig. .000
a. Friedman Test
Dari hasil diatas diperoleh nilai Asymp sig = 0.000 (p= 0.000) sehingga dapat disimpulkan ada
perbedaan rasa roti A. roti B dan roti C.
NOTE :
ga nganalisis semua data (select)

data - select cases - pilih variabel di kiri - if condition is satisfied - if - ok - ok
analisis
analyze - descriptive statistic - descriptive - data yang mau dideskripsikan
KATEGORI ASUPAN SERAT

1 = kurang bila < 20%
2 = cukup bila >20%
KATEGORI IMT MENURUT JENIS KELAMIN
laki
1 = kurus bila < 18,5
2 = normal bila 18,5 - 25
3 = gemuk bila >25
perempuan
1 = kurus bila < 18,5
2 = normal bila 18,5 - 23,5
3 = gemuk bila >23,5
TRANSFORM
umur dari tgl lahir dan tanggal pengukuran
transform - date and time wizard - calculate with - calculate the number - date 1 : tgl pengukuran,
date 2 : tanggal lahir - result variable (nama variable untuk hasil penghitungan, gaboleh diawali dg
angka, gaboleh ada spasi. ex : variabel "umur", label variabel "umur sampel"
IMT
38
transform-compute- target variable (nama variabel baru : IMT_0_bl - numeric expression

( rumusnya)
bb_0_bl / (tb / 100) ** 2
kategori serat (numerik ke kategorik

transform - recode into difference - serat --> - output (kat_ser)-kategori serat - change
old and new values
new - value (1) - old - range value thru highest - 19,99 - new - range value thru highest - 20 -
continue - ok
variable view -decimals (0) - values (none - dijadiin value = 1, label : kurang - add - value = 2,
label : cukup - add - ok
IMT memperhatikan jenis kelamin

lakik
transform - recode into difference - IMT_0 --> - output (IMT_0_JK)-IMT menurut jenis kelamin -
change - include if case - if jk = 1 -
old and new values
new - value (1) - old - range value thru lowest - 18,49 - new - value (2)- through (18,5 - 25) new -
value (3) range value thru highest - 25,01 - continue - ok
perempuan
transform - recode into difference - IMT_0 --> - output (IMT_0_JK)-IMT menurut jenis kelamin -
change - if - include if case - jk = 2 -
old and new values
new - value (1) - old - range value thru lowest - 18,49 - new - value (2)- through (18,5 - 23,5) new
- value (3) range value thru highest - 23,51 - continue - ok
ANALISIS
analyze - descriptive statistic - kalau datanya numerik pake descriptive, kalo kategorik pake
frequences - masukkin variable (asupan serat) - ok
uji kenormalan
analyze - descriptive statistic explore- atas (yg mau diuji/ asupan serat) - bawahnya factor (jenis
kelamin - plots di kanan - ok

Modul - SPSS d4 GZ 2014

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul - SPSS d4 GZ 2014

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Aturan pemberian nama variabel :

 No missing values, bila variabel tersebut tidak mengandung missing value.

MENYIMPAN FILE DATA

Gambar 6. Kotak dialog Select Cases : If

Mencari BBI = (TB-100)-0,1*(TB-100)

RECODE DENGAN MEMBENTUK VARIABEL BARU

Tombol Old and New Values

Kel. umur Kode kel umur Label

2. Pada kotak numeric variable masukkan variable umur

Valid laki-laki 6 40.0 40.0 40.0

perempuan 9 60.0 60.0 100.0

Total 15 100.0 100.0

N Minimum Maximum Mean Std. Deviation

indeks massa tubuh 15 16.48 31.20 22.6421 3.98436

Statistic Std. Error

indeks massa tubuh Mean 22.6421 1.02876

95% Confidence Interval for Lower Bound 20.4356

5% Trimmed Mean 22.5090

Std. Deviation 3.98436

Interquartile Range 5.08

Skewness .866 .580

Kurtosis .736 1.121

Statistic Df Sig. Statistic df Sig.

indeks massa tubuh .155 15 .200* .933 15 .299

a. Lilliefors Significance Correction

*. This is a lower bound of the true significance.

Frequency Stem & Leaf

Stem width: 10.00

Outputnya sebagai berikut :

jenis kelamin Mean N Std. Deviation

laki-laki 154.1167 6 6.17265

perempuan 160.2333 9 7.57413

Total 157.7867 15 7.48397

akan muncul output sebagai berikut :

Outputnya sebagai berikut :

pilih salah satu alternatif pada kotak :

Digunakan untuk menghasilkan scaterplot sederhana.

Hal ini dipakai untuk melihat gambaran korelasi 2 buah variabel

1 Std. Dev = 2.15

A. Independent Samples Test

No Bb bayi Keb merokok pada No Bb bayi Keb merokok pada

berat badan bayi perokok .113 10 .200* .985 10 .985

bukan perokok .150 10 .200* .946 10 .619

a. Lilliefors Significance Correction

*. This is a lower bound of the true significance.

Tombol Define Groups

Kemudian oke maka akan muncul output sebagai berikut :

Independent Samples Test

Levene's Test for

B. Paired Sampels T Test

Diuji kenormalan datanya dulu, hasilnya sebagai berikut :

Outputnya sebagai berikut ;

Paired Samples Correlations

Paired Samples Test

no Bb_bayi formula No Bb bayi Formula

formula Kolmogorov-Smirnova Shapiro-Wilk

berat badan bayi A .136 5 .200* .987 5 .967

B .136 5 .200* .987 5 .967

C .237 5 .200* .961 5 .814

a. Lilliefors Significance Correction

*. This is a lower bound of the true significance.

Kemudian akan muncul kotak dialog