Modul SPSS PDF

Modul SPSS
MEMULAI SPSS
A. Mengenal Jenis Data

Menurut skala ukurnya data dapat dibagi menjadi 4 (empat) jenis yaitu Ratio,
Interval, Ordinal dan Nominal (RION). Data Ratio dan Interval merupakan data
Parametrik (Kuantitatif) dan dalam SPSS disebut “Scale”, sedangkan data Ordinal
dan Nominal merupakan data Non Paramterik (Semi kuantitatif dan Kualitatif) dan
disebut “Categorial”.
1. Ratio
Merupakan skala data dengan tingkat pengukuran paling tinggi. Data ini berupa
angka (numerik) dan secara matematik dapat dipoerasikan dengan tanda-tanda
matematika. Ciri utama data ini adalah memiliki nilai 0 (nol) absolut. Contoh
data-data yang berskala ratio adalah umur, berat badan, tinggi badan, bmi,
pendapatan, jumlah anggota keluarga dan sebagainya.
2. Interval
Data ini lebih rendah dari ratio sebab meskipun berupa angka (numerik) namun
tidak memiliki nilai 0 (nol) absolut dan pada kondisi tertentu tidak bisa
dioperasikan secara matematik. Data interval memiliki urutan yang bertingkat
(skala) dan dapat dikuantitatifkan. Contoh data-data yang berskala interval
antara lain temperatur, tekanan darah dan sebagainya.
3. Ordinal
Data ordinal merupakan data kategori yang menujukkan tingkatan-tingkatan.
Meskipun data ordinal dituliskan sebagai angka (numerik) tetapi fungsinya
hanya sebagai simbol/lambang yang menerangkan hirarki dari data yang
sesungguhnya, sehingga dalam kondisi apapun tidak bisa dioperasikan secara
matematik. Data ordinal berfungsi untuk membedakan kelompok-kelompok
data yang diamati sekaligus menunjukkan tingkatan/hirarki kelompok-
kelompok data tersebut.
Tingkat pendidikan berikut adalah contoh data ordinal :
- Nilai 1 menunjukkan SD
- Nilai 2 menunjukkan SLTP
- Nilai 3 menunjukkan SLTA
- Nilai 4 menunjukkan PT
dimana SD lebih rendah dari SLTP, SLTP lebih rendah dari SLTA dan SLTA lebih
rendah dari PT. Nilai-nilai 1 s.d. 4 dalam SPSS dikenal sebagai “Value Label”.
copyright  by zulfikar
1
Modul SPSS
4. Nominal
Data ini hampir sama dengan ordinal. Bedanya data nominal tidak menunjukkan
tingkatan-tingkatan. Jadi fungsinya hanya untuk membedakan suatu kelompok
data dengan kelompok data lainnya. Contoh data ordinal adalah jenis kelamin :
Misalnya angka 1 menunjukkan laki-laki dan 2 menunjukkan perempuan,
artinya jenis kelamin laki-laki tidak lebih tinggi/lebih baik dari perempuan.
5. Data String
Merupakan data-data yang bersifat kualitatif (karakter), misalnya nama, alamat,
hobby dan sebagainya.
B. Membuka SPSS
- Hidupkan komputer mulai dari stavolt – CPU – monitor
- Tunggu sampai keluar icon-icon Windows pada layar komputer
- Click icon “SPSS” atau Click “Start” pilih “Program”
- Click “SPSS”
- Tunggu sampai muncul sheet “SPSS Data Editor”
2
Modul SPSS
C. Membuat Variabel
1. Variabel untuk data Ratio, misalnya berat badan
- Click “Variable View”
- Ketik nama Variable pada kolom “Name” misalnya “berat” (nama Variable
tidak boleh lebih dari 8 karakter dan tidak boleh ada spasi)
- Click kolom “type” dan akan muncul dialog box “Variable type”
- Karena skala data ratio maka click “Numeric”
- Click kolom “width” isi sesuai dangan banyaknya karakter yang diperlukan
dalam suatu Variable.
- Click kolom, “Decimal Places” isi sesuai dengan banyaknya angka di
belakang koma.
- Click kolom “Label” isi keterangan dari Variable “berat”, misalnya “berat
badan responden”.
- Abaikan kolom, “Value” karena tidak ada pemberian kode untuk data ratio.
- Abaikan kolom, “Missing” jika dianggap tidak ada data yang hilang.
- Abaikan kolom, “Column”, biarkan isian sesuai dengan default yang telah
ada.
- Click kolom “Align”, pilih left untuk tampilan data di sebelah kiri, right
(kanan) atau center (tengah).
- Click kolom “Measure”, pilih “Scale” karena data berskala ratio.
3
Modul SPSS
2. Variabel untuk data Interval, misalnya kelembaban

- Ketik nama Variable pada kolom “Name” misalnya “lembab” (nama Variable
- Karena skala data ratio maka click “Numeric”
- Kolom “width” dan “Decimal Places” idem
- Click kolom “Label” isi keterangan dari variabel “lembab”, misalnya
“kelemaban ruangan”.
- Abaikan kolom, “Value” karena tidak ada pemberian kode untuk data
interval.
ada.
- Click kolom “Aalign”, pilih left untuk tampilan data di sebelah kiri, right
- Click kolom “Measure”, pilih “Scale” karena data berskala interval.
3. Variabel untuk data Ordinal, misalnya tingkat pendidikan

- Ketik nama Variable pada kolom “Name” misalnya “didik” (nama Variable
- Click kolom “Numeric” untuk data ordinal yang diberi kode.
- Click kolom “Label” isi keterangan dari variabel “didik”, misalnya “tingkat
pendidikan responden”.
- Click kolom, “Value” dan akan muncul dialog box “Value Label”
- Misalkan kode SD = 1, SMP = 2, SMA = 3, maka isi box “Value” dengan “1” dan
isi box “Value Label” dengan “SMP”.
- Click “Add”, lanjutkan dengan kode-kode berikutnya, jika telah selesai click
“OK”
- Abaikan kolom, “Column”, biarkan isian sesuai default yang telah ada.
- Click kolom “Measure”, pilih “Ordinal”
4
Modul SPSS
4. Variabel untuk data Nominal, misalnya jenis kelamin

- Ketik nama Variable pada kolom “Name” misalnya “jenis” (nama Variable
- Click kolom “Numeric” untuk data nominal yang diberi kode.
- Click kolom “Label” isi keterangan dari variabel “jenis”, misalnya “jenis
kelamin responden”.
- Click kolom, “Value” dan akan muncul dialog box “Value Label”
- Misalkan kode Laki-laki = 1 dan Perempuan = 2, maka isi box “Value” dengan
“1” dan isi box “Value Label” dengan “Laki-laki”.
- Click “Add”, lanjutkan dengan kode-kode berikutnya, jika telah selesai click
“OK”
ada.
- Click kolom “Measure”, pilih “Nominal”
5. Variabel untuk data String, misalnya nama

- Ketik nama Variable pada kolom “Name” misalnya “nama” (nama Variable
- Click kolom “String”
5
Modul SPSS
- Abaikan kolom “width” dan “Decimal Places”

- Click kolom “Label” isi keterangan dari Variable “nama”, misalnya “nama
responden”.
- Abaikan kolom, “Value”
- Abaikan kolom, “Column”, biarkan isian sesuai default yang telah ada.
- Click kolom “Measure”, pilih “Nominal”
Setelah nama-nama variabel dimasukkan, lanjutkan dengan klik ”data view”,

maka akan muncul tampilan seperti gambar di bawah ini yang berarti data-data
siap dimasukkan.
6
Modul SPSS
DESKRIPSI DATA STATISTIK
A. Frequencies
Frequencies digunakan untuk mendeskripsikan data dalam bentuk kategori atau
kelompok. Misalnya pada suatu set data mengenai teknik laktasi (lampiran 1) ingin
diketahui frekuensi menurut pekerjaan dan pendidikan ibu menyusui.
PROSEDUR :
- Click “Analyze”
- Click “Descriptive Statistics”
- Click “Frequencies”
- Blok variabel pekerjaan dan pendidikan kemudian masukkan dalam box
“Variabels”
- Click “OK”
- Distribusi frekuensi akan muncul di file output seperti gambar berikut
7
Modul SPSS
B. Descriptives
Descriptives digunakan untuk menggambarkan data berskala ratio atau interval.
Pada set data yang sama misalnya ingin diketahui deskripsi umur ibu dan bayi.
PROSEDUR :
- Click “Descriptive Statistics”
- Click “Descriptives”
- Click variabel umur_ibu dan umur_bayi masukkan dalam box “Variabels”
- Click “Option”
- Pilih option yang diinginkan antara lain “Mean” (rata-rata), “Sum” (jumlah),
“Std. deviation” (Standar deviasi), “Minimum” (nilai minimum), “Maximum”
(nilai maksimum), “Range” (interval), “S.E. Mean” (standar error), “Kurtosis”
dan “Skewness” (untuk kemencengan)
- Click “Continue”
- Click “OK”
- Distribusi pada file output akan muncul seperti gambar berikut
Descriptive Statistics
N Range Minimum Maximum Sum Mean St d. Dev iation Variance

Usia ibu balita 33 19 18 37 907 27,48 5,118 26,195
Usia balita 33 5,8 ,2 6,0 113,2 3,430 1,6463 2,710
Valid N (listwise) 33
8
Modul SPSS
C. Compute
Compute digunakan untuk membuat data suatu variabel berdasarkan perhitungan
data variabel lain yang sudah ada. Misalnya ingin dibuat variabel imt_ibu (indeks
massa tubuh ibu) yang dibuat berdasarkab variabel berat_ibu dan tinggi_ibu.
PROSEDUR :
- Click “Transform”
- Click “Compute” muncul “Compute Variabel”
- Ketik imt_ibu pada box “Target variabel”
- Click variabel berat_ibu masukkan dalam box “Numeric Expression”
- Click / dan (
- Click tinggi_ibu masukkan dalam box “Numeric Expression”
- Click / dan 100
- Click ) dan **2
- Langkah di atas bisa ditulis langsung pada box “Numeric Expression” sebagai
berikut : bb/(tb/100)**2
- Click “OK”
- Hasilnya, pada file SPSS akan muncul variabel baru (imt_ibu) lengkap dengan
data hasil perhitungan.
9
Modul SPSS
D. Recode
Recode digunakan untuk membuat satu variabel berdasarkan perubahan variabel
lain yang sudah ada. Misalnya ingin dibuat variabel kat_umur (katagori umur ibu)
yang dibuat berdasarkan variabel umur dengan kroteria sebagai berikut :
Kategori umur Value Label

< 24 1 Muda
24 s.d. 30 2 Dewasa
> 30 3 Tua
PROSEDUR :
- Click “Recode”
- Click “Into Same Variabel” jika variabel baru yang akan dibuat ditimpakan ke
variabel asalnya. Konsekuensinya variabel yang ada akan dihilangkan.
- Click “Into Different Variabel” jika variabel baru yang akan dibuat menempati
kolom sendiri, muncul dialog box “Recode Into Different Variabel”
- Click variabel umur_ibu masukkan dalam box “Numeric Variabel  Output

Variabel”
- Ketik variabel kat_umur pada box “Name”
- Click “Change” hingga “umurkat” berpindah ke sisi variabel “umur”
- Ketik label “Kategori umur ibu”
- Click “Old and New Variabels”
- Click “Range – lowest through” ketik “23”
- Click “Value” pada box “New value” ketik “1”
- Click “Add”
- Click “Range – through” ketik “24” dan “29”
10
Modul SPSS
- Click “Add”
- Click “Range – through higest” ketik “30”
- Click “Add”
- Click “OK”
- Pada file SPSS akan muncul variabel baru (kat_umur) beserta dengan kategori
yang telah ditentukan.
Untuk pemberian label pada variabel yang telah dibuat baik secara compute
maupun recode dilakukan seperti langkah pemberian label sebelumnya.
11
Modul SPSS
PENGGUNAAN SPSS UNTUK UJI STATISTIK PARAMETRIK

(KUANTITATIF)
Persyaratan :
1. Data berskala ratio atau interval
2. Data berdistribusi normal
A. Uji t Sampel Berpasangan

Uji ini digunakan untuk melihat perbedaan sekelompok data pada dua pengamatan.
Pada contoh lampiran 2 misalnya ingin dibedakan kadar fe sebelum dan sesudah
melewati saringan pasir. (fe_awal – fe_pasir)
PROSEDUR :
- Click “Compare Mean”
- Click “Paired Sampel t-test”
- Blok variable fe_awal dan fe_pasir masukkan dalam box “Paired Variables”
- Click “OK” sehingga pada file output akan muncul tabel sebagai berikut :
Paired Samples Test
Paired Dif f erences

95% Conf idence
Interv al of t he
St d. Error Dif f erence
Mean St d. Dev iation Mean Lower Upper t df Sig. (2-tailed)
Pair Kadar f e pada air baku -
1 Kadar f e setelah 1,42467 ,43739 ,07986 1,26134 1,58799 17,840 29 ,000
melewati saringan pasir
HIPOTESIS :
H0 : Tidak ada perbedaan antara kadar fe pada air baku dengan kadar fe setelah
melewati saringan pasir.
H1 : Ada perbedaan antara kadar fe pada air baku dengan kadar fe setelah
melewati saringan pasir.
12
Modul SPSS
CARA MEMBACA :
- Perhatikan nilai “p” (significant) pada tabel “Paired Sampel Test”
- Karena nilai p = 0,000 atau kurang dari nilai α (0,05) maka H0 ditolak, artinya
secara statistik terdapat perbedaan antara kadar fe pada air baku dengan kadar
fe setelah melewati saringan pasir pada tingkat kepercayaan 95%.
B. Uji t Sampel Bebas

Uji ini digunakan untuk melihat perbedaan dua kelompok data yang sejenis namun
tidak saling berhubungan. Misalnya pada lampiran 3 ingin diketahui perbedaan
kadar fe pada dua sumber air yaitu air sumur bor dan air sumur gali.
PROSEDUR :
- Click “Independent Sampel t-test”
- Click variable fe masukkan dalam box “Test Variables”
- Click variable sumber masukkan dalam box “Grouping Variable”
- Click “Define Groups”

- Ketik 1 pada box “group 1” dan 2 pada “group 2” (sesuai dengan value label pada
varibel jenis kelamin). Click continue.
13
Modul SPSS
Independent Samples Test
Lev ene's Test f or

Equality of Variances t-t est f or Equality of Means
95% Conf idence
Interv al of the
Mean St d. Error Dif f erence
F Sig. t df Sig. (2-tailed) Dif f erence Dif f erence Lower Upper
Kadar f e dalam air Equal v ariances
8,936 ,008 4,068 18 ,001 1,12400 ,27632 ,54348 1,70452
assumed
Equal v ariances
4,068 11,661 ,002 1,12400 ,27632 ,52001 1,72799
not assumed
HIPOTESIS :
1. Varians data
H0 : Varians data homogen
H1 : Varians data heterogen
2. Uji beda
H0 : Tidak ada perbedaan kadar fe pada air sumur bor dengan air sumur gali
H1 : Ada perbedaan kadar fe pada air sumur bor dengan air sumur gali
CARA MEMBACA :
1. Menentukan varians data homogen/heterogen
- Perhatikan nilai “p” (significant) pada tabel “Independent Sampel Test” pada
kolom “Levene’s Test for Equality of Variances”
- Karena nilai p = 0,008 atau kurang dari nilai α (0,05) maka H0 ditolak, artinya
varians data pada kedua sampel heterogen. Seandainya nilai p melebihi nilai
α maka H0 diterima atau varians homogen (equal).
2. Menentukan beda
- Perhatikan nilai “p” (significant) pada tabel “Independent Sampel Test” pada
kolom “t-Test for Equality of Means” sesuai dengan variansi data.
- Jika variansi data homogen perhatikan nilai p (significant) pada baris
pertama “(equal variances assumed)”. Jika heterogen pada baris “equal
variances not assumed”. (pada contoh di atas perhatikan baris heterogen).
- Nilai p = 0,002 kurang dari nilai α (0,05) maka H0 ditolak, artinya secara
statistik terdapat perbedaan antara kadar fe pada air sumur bor dengan
kadar fe pada air sumur gali pada tingkat kepercayaan 95%.
Catatan :
Permasalahan yang sering muncul saat ingin menggunakan uji t sampel bebas atau
berpasangan terletak pada cara memasukkan/entry data. Untuk uji t sampel
berpasangan, kelompok data yang akan dibandingkan dimasukkan dalam variabel
sendiri-sendiri seperti pada lampiran 3. Sedangkan pada uji t sampel bebas, kelompok
data yang akan dibandingkan dimasukkan dalam satu variabel kemudian diberikan
keterangan (label) pada variabel lainnya seperti pada lampiran 4.
14
Modul SPSS
C. Anova Satu Arah

Uji ini merupakan kelanjutan dari uji t sampel bebas, namun dengan kategori
pembanding lebih dari dua grup. Pada contoh lampiran 3 ingin diketahui apakah
terdapat perbedaan kadar fe pada tiga jenis sumber air yaitu sumur bor, sumur gali
dan sungai.
PROSEDUR :
- Click “One-Way Anova”
- Click variable fe masukkan dalam box “Dependent list”
- Click variable sumber masukkan dalam box “Factor”
- Click “Post Hoc”

- Click salah satu pembanding misalnya “LSD” untuk melihat kategori mana yang
berbeda, jika H0 ditolak.
15
Modul SPSS
Oneway
ANOVA
Kadar f e dalam air

Sum of
Squares df Mean Square F Sig.
Between Groups 20,064 2 10,032 38,632 ,000
Within Groups 7,012 27 ,260
Total 27,076 29
HIPOTESIS :
H0 : Tidak ada perbedaan antara kadar fe pada air sumur bor, sumur gali dan
sungai.
H1 : Minimal ada salah satu kadar fe pada air sumur bor, sumur gali dan sungai
yang berbeda.
CARA MEMBACA :
- Perhatikan nilai “p” (significant) pada tabel “Anova” pada baris “Between
Groups”. Nilai p sebesar 0,000 atau di bawah nilai α (0,05) menunjukkan
penolakan H0, artinya secara statistik terdapat perbedaan antara kadar fe pada
air sumur bor, sumur gali dan sungai pada tingkat kepercayaan 95%.
- Untuk melihat kategori mana saja yang berbeda perhatikan tabel “Multiple
Comparisons” di bawah ini.
Post Hoc Tests
Multi ple Compari sons
Dependent Variable: Kadar f e dalam air

LSD
Mean
Dif f erence 95% Conf idence Interv al
(I) sumber air (J) sumber air (I-J) St d. Error Sig. Lower Bound Upper Bound
Sumur Bor SGL 1,12400* ,22790 ,000 ,6564 1,5916
Sungai 1,99800* ,22790 ,000 1,5304 2,4656
SGL Sumur Bor -1,12400* ,22790 ,000 -1,5916 -,6564
Sungai ,87400* ,22790 ,001 ,4064 1,3416
Sungai Sumur Bor -1,99800* ,22790 ,000 -2,4656 -1,5304
SGL -,87400* ,22790 ,001 -1,3416 -,4064
*. The mean dif f erence is signif icant at t he .05 lev el.
- Perbedaan ditunjukkan dengan adanya tanda * pada sisi kategori yang

dibandingkan. Pada contoh di atas terlihat kadar fe pada ketiga sumber air
berbeda satu sama lain dengan signifikansi 0,000 sampai 0,001.
16
Modul SPSS
D. Anova Factorial
Uji ini digunakan untuk melihat perbedaan sekelompok data berdasarkan dua
kategori pengamatan yang berbeda. Pada lampiran 4 ingin diketahui apakah
terdapat perbedaan konsentrasi debu yang diukur pada lokasi dan periode yang
berbeda yaitu di lintasan batubara - lintasan umum (lokasi) dan malam - siang
(periode).
PROSEDUR :
- Click “General Linear Model”
- Click “Univariate”
- Click variable debu masukkan dalam box “Dependent Variable”
- Click variable lokasi dan periode masukkan dalam box “Fixed Factors”
- Click “Post Hoc” jika kategori pengamatan lebih dari dua.
17
Modul SPSS
Tests of Between-Subjects Effects
Dependent Variable: Kadar debu ambien

Ty pe I II Sum
Source of Squares df Mean Square F Sig.
Corrected Model 882798,594a 3 294266,198 24,316 ,000
Intercept 4124910,031 1 4124910,031 340,859 ,000
lokasi 587257,031 1 587257,031 48,528 ,000
periode 54202,781 1 54202,781 4,479 ,043
lokasi * periode 241338,781 1 241338,781 19,943 ,000
Error 338842,375 28 12101,513
Total 5346551,000 32
Corrected Total 1221640,969 31
a. R Squared = , 723 (Adjusted R Squared = ,693)
HIPOTESIS :
1. Main Effect
a. Lokasi
H0 : Tidak ada perbedaan kadar debu ambien menurut lokasi pengukuran
H1 : Ada perbedaan kadar debu ambien menurut lokasi pengukuran
b. Periode
H0 : Tidak ada perbedaan kadar debu menurut periode pengukuran
H1 : Ada perbedaan kadar debu ambien menurut periode pengukuran
2. Interaction Effect
H0 : Tidak ada perbedaan kadar debu ambien sebagai efek interaksi antara
lokasi dan periode pengukuran.
H1 : Ada perbedaan kadar debu ambien sebagai efek interaksi antara lokasi dan
periode pengukuran.
CARA MEMBACA :
- Perhatikan nilai “p” (significant) pada tabel “Test of Between Subjects Effects”,
pada baris “lokasi”, “periode” dan “lokasi * periode”
- Seluruh nilai p pada tabel di atas menujukkan nilai di bawah nilai α (0,05)
sehingga H0 ditolak.
KESIMPULAN :
- Secara statistik terdapat perbedaan kadar debu ambien yang terukur di jalan
angkut batubara dan jalan umum pada tingkat kepercayaan 95%.
- Secara statistik terdapat perbedaan kadar debu ambien yang terukur pada siang
dan malam hari pada tingkat kepercayaan 95%.
- Secara statistik terdapat perbedaan kadar debu ambien sebagai efek interaksi
antara lokasi dan periode pengukuran pada tingkat kepercayaan 95%.
18
Modul SPSS
E. Korelasi Pearson
Uji ini digunakan untuk melihat hubungan 2 (dua) kelompok data. Pada contoh
lampiran 5 akan dicari hubungan penambahan tawas dengan penurunan tingkat
kekeruhan pada air minum.
PROSEDUR :
- Click “Correlate”
- Click “Bivariate”
- Blok variable tawas dan kekeruhan lalu masukkan dalam box “Variables”
- Click “Pearson”
Correlati ons
Volume
larutan tawas
10% (ml) Kekeruhan air
Volume larutan Pearson Correlation 1 -,914**
tawas 10% (ml) Sig. (2-tailed) ,000
N 40 40
Kekeruhan air Pearson Correlation -,914** 1
Sig. (2-tailed) ,000
N 40 40
**. Correlation is signif icant at the 0.01 lev el (2-t ailed).
19
Modul SPSS
HIPOTESIS :
H0 : Tidak ada hubungan antara penambahan larutan tawas dengan penurunan
kekeruhan air
H1 : Ada hubungan antara penambahan larutan tawas dengan penurunan
kekeruhan air
CARA MEMBACA :
- Perhatikan nilai “p” (Sig. (2-tailed)) pada tabel “Correlation”.
- Karena nilai p = 0,000 atau kurang dari nilai α (0,05) maka H0 ditolak, secara
statistik ada hubungan antara penambahan larutan tawas dengan penurunan
kekeruhan air pada tingkat kepercayaan 95%.
- Perhatikan nilai Pearson Correlation sebesat -0,914. nilai ini adalah koefisien
korelasi (r) yang menunjukkan hubungan sangat kuat dan bersifat terbalik.
- Kemaknaan hubungan semakin kuat jika nilai r mendekati angka 1 atau -1,
sebaliknya hubungan semakin lemah jika nilai r mendekati 0.
- Tanda negatif (-) menunjukkan hubungan terbalik karena semakin bertambah
nilai variabel x (volume tawas), maka akan semakin berkurang nilai variabel y
(kekeruhan air).
20
Modul SPSS
PENGGUNAAN SPSS UNTUK UJI STATISTIK NON PARAMETRIK

(SEMI KUANTITATIF)
Persyaratan :
1. Data berskala ratio atau interval dengan distribusi tidak normal atau
2. Data berskala ordinal
A. Wilcoxon Sign Rank Test

Uji ini hampir sama dengan uji t sampel berpasangan, yaitu melihat perbedaan
sekelompok data ordinal yang diamati sebanyak dua kali. Pada contoh lampiran 6
ingin diketahui apakah terdapat perbedaan tingkat pendapatan masyarakat
sebelum dan sesudah krisis moneter.
PROSEDUR :
- Click “Non Parametric-Test”
- Click “2 Related Samples”
- Click variable tk_hasil1 dan tk_hasil3 masukkan dalam box “Test Pairs List”
- Click “Wilcoxon” dan “Sign” pada box “Test Type” untuk melihat frekuensi dan
hasil uji
- Click “OK” sehingga muncul file output sebagai berikut :
21
Modul SPSS
Test Statisticsb
Tingkat
penghasilan
setelah krisis
moneter -
Tingkat
penghasilan
sebelum
krisis
Z -1,184a
Asy mp. Sig. (2-tailed) ,236
a. Based on positiv e ranks.
b. Wilcoxon Signed Ranks Test
HIPOTESIS :
H0 : Tidak ada perbedaan antara tingkat penghasilan sebelum krisis moneter dan
sesudah krisis moneter.
H1 : Ada perbedaan antara tingkat penghasilan sebelum krisis moneter dan
CARA MEMBACA :
- Perhatikan nilai “p” (significant) pada tabel “Test Statistics”
- Nilai p (Asymp. Sig.) menunjukkan nilai 0,236 atau lebih besar daripada nilai α
(0,05) sehingga H0 ditolak. Dengan demikian secara statistik tidak ada
perbedaan antara tingkat penghasilan sebelum krisis moneter dan sesudah
krisis moneter pada tingkat kepercayaan (CI) .
- Jika ada “ties” baca nilai “Correction for Ties” sebagai nilai “p”
B. Wilcoxon Mann Whitney U Test

Uji ini digunakan untuk melihat perbedaan dua kelompok data ordinal yang sejenis
namun tidak saling berhubungan. Misalnya pada lampiran 7 ingin diketahui
perbedaan tingkat pendidikan di desa dan di kota.
PROSEDUR :
- Click “2 Independent Samples”
- Click variable didik dan masukkan dalam box “Test Variable List”
- Click lokasi masukkan dalam box “Grouping Variable ”
- Click “Define Groups”
- Ketik 1 pada box “group 1” dan 2 pada “group 2” (sesuai dengan value label pada
variabel lokasi). Click continue.
- Click “Mann Whitney U” pada box “Test Type”
22
Modul SPSS
- Click “OK”, pada file output akan muncul tabel berikut :

Test Statisticsb
Pendidikan
responden
Mann-Whitney U 45,000
Wilcoxon W 165,000
Z -3,065
Exact Sig. [2*(1-tailed a
,004
Sig.)]
a. Not corrected f or t ies.
b. Grouping Variable: Tempat t inggal responden
HIPOTESIS :
H0 : Tidak ada perbedaan tingkat pendidikan responden di desa dan di kota
H1 : Ada perbedaan tingkat pendidikan responden di desa dan di kota
CARA MEMBACA :
- Perhatikan nilai “p” pada tabel “Test Statistics”
- Jika ada “ties” baca nilai “Correction for Ties” sebagai nilai “p”
- Jika tidak ada “ties” baca nilai “Exact Significant” sebagai nilai “p”
- Hasil di atas menunjukkan nilai p = 0,004 atau kurang dari nilai α (0,05)
sehingga H0 ditolak. Artinya secara statistik terdapat perbedaan tingkat
pendidikan responden di desa dan di kota pada tingkat kepercayaan 95%.
C. Uji Friedman
Uji Friedman merupakan kelanjutan dari uji Wilcoxon Sign Rank Test dengan
jumlah pengamatan lebih dari 2 kali. Pada contoh lampiran 6, ingin diketahui
tingkat penghasilan masyarakat pada tiga periode yaitu sebelum, saat dan sesudah
krisis moneter.
23
Modul SPSS
PROSEDUR :
- Click “K Related Samples”
- Click variable tk_hasil1, tk_hasil2 dan tk_hasil3 kemudian masukkan dalam
box “Test Variables”
- Click “Friedman” pada box “Test Type”
- Click “OK” sehingga muncul tabel pada file output sebagai berikut :
Test Statisticsa
N 30
Chi-Square 8,225
df 2
Asy mp. Sig. ,016
a. Friedman Test
HIPOTESIS :
H0 : Tidak ada perbedaan antara tingkat penghasilan responden sebelum, saat dan
H1 : Minimal ada salah satu pasangan tingkat penghasilan yang berbeda pada
ketiga periode.
CARA MEMBACA :
- Perhatikan nilai “p” (Asymp significant) pada tabel “test Statistics”.
- Nilai p terbaca sebesar 0,016 atau kurng dari nilai α (0,05) maka H0 ditolak.
Secara statistik terdapat perbedaan salah satu atau seluruh tingkat penghasilan
responden sebelum, saat dan sesudah krisis moneter.
- Untuk melihat pasangan mana yang berbeda lakukan uji “Wilcoxon Sign Rank
Test”.
D. Uji Kruskall Wallis

Jika uji Friedman merupakan kelanjutan dari uji Wilcoxon Sign Rank Test maka
uji Kruskall Wallis merupakan kelanjutan dari uji Wilcoxon Mann Whitney U Test
dengan jumlah kategori lebih dari 2. Pada lampiran 7 ingin diketahui apakah
terdapat perbedaan tingkat pengetahuan responden menurut latar belakang
pendidikan yang dimilikinya.
PROSEDUR :
- Click “K-Independent Samples”
- Click variable pengetahuan dan masukkan dalam box “Test Variable List”
24
Modul SPSS
- Click pendidikan masukkan dalam box “Grouping Variable ”

- Click “Define Range”
- Ketik 1 pada box “Minimum” dan 3 pada “Maximum” (sesuai dengan banyaknya
value label pada varibel tingkat pendidikan). Click continue.
- Click “Kruskal Wallis H” pada box “Test Type”
- Click “OK” sehingga muncul tabel berikut pada file output :
Test Statisticsa,b
Kategori
pengetahuan
responden
Chi-Square ,039
df 2
Asy mp. Sig. ,981
a. Kruskal Wallis Test
b. Grouping Variable: Pendidikan responden
HIPOTESIS :
H0 : Tidak ada perbedaan tingkat pengetahuan responden dengan pendidikan
dasar, menengah maupun tinggi.
H1 : Minimal ada salah satu pasangan tingkat pengetahuan yang berbeda.
CARA MEMBACA :
- Perhatikan nilai “p” (Asymp significant) pada tabel “test Statistics”.
- Pada tabel nilai p = 0,981 melebihi nilai α (0,05) maka H0 diterima. Secara
statistik iidak ada perbedaan tingkat pengetahuan responden dengan latar
belakang pendidikan dasar, menengah maupun tinggi pada tingkat kepercayaan
95%.
- Jika Ho ditolak gunakan uji “Wilcoxon Man Whitney U Test” untuk melihat
pasangan mana yang berbeda.
25
Modul SPSS
E. Uji Korelasi Spearmen

Uji ini digunakan untuk melihat hubungan 2 dua kelompok data berskala ordinal.
Pada contoh lampiran 7 misalnya ingin diketahui hubungan tingkat pendidikan
dengan tingkat pengetahuan responden.
PROSEDUR :
- Click “Correlate”
- Click “Bivariate”
- Click variable pendidikan dan variable pengetahuan kemudian masukkan
dalam box “Variables”
- Click “Spearman”
- Click “OK” sehingga muncul tabel berikut pada file output :
Correlati ons
Kategori
Pendidikan pengetahuan
responden responden
Spearman's rho Pendidikan responden Correlation Coef f icient 1,000 -,035
Sig. (2-tailed) . ,855
N 30 30
Kategori pengetahuan Correlation Coef f icient -,035 1,000
responden Sig. (2-tailed) ,855 .
N 30 30
26
Modul SPSS
HIPOTESIS :
H0 : Tidak ada hubungan tingkat pendidikan dengan pengetahuan responden.
H1 : Ada hubungan tingkat pendidikan dengan pengetahuan responden.
CARA MEMBACA :
- Perhatikan nilai “p” (significant) pada tabel “Correlation”.
- Nilai p sebesar 0,855 melebihi nilai α (0,05) sehingga H0 diterima. Secara
statistik tidak ada hubungan tingkat pendidikan dan pengetahuan responden
pada tingkat kepercayaan 95%.
- Pada kondisi lain, jika H0 ditolak perhatikan nilai Correlation Coefficient sebagai
nilai rs. Jika nilai rs positif berarti hubungan searah, jika negatif hubungan
terbalik.
- Kemaknaan hubungan semakin kuat jika nilai r mendekati angka 1 atau -1,
sebaliknya hubungan semakin lemah jika nilai r mendekati 0.
27
Modul SPSS
PENGGUNAAN SPSS UNTUK UJI STATISTIK NON PARAMETRIK

(KUALITATIF)
DATA INDIVIDU
A. Uji χ2 (Chi Square Test) untuk tabel kontingensi > 2 x 2

Tabel yang dimaksud adalah jika kelompok data nominal yang dibandingkan salah
satu atau keduanya memiliki lebih dari dua kategori. Pada lampiran 8 misalnya
ingin diketahui perbedaan kejadian ISPA pada pemukiman di pinggir jalan menurut
lama tinggal (<5 tahun, 5-10 tahun dan >10 tahun).
PROSEDUR :
- Click “Descrptive Statistic”
- Click “Crosstab”
- Click variable lama_tinggal (independen) masukkan dalam box “row”
- Click variable ISPA (dependen) masukkan dalam box “column”
- Click “Statistics”, click “Chi-square” untuk melihat hasil uji

28
Modul SPSS
- Click “Cells”, click “Observed” dan “Expected”, pada box “Counts” untuk melihat
nilai yang diamati dan nilai harapan
- Click “total” pada box “Percentages”, untuk melihat persentasi total
- Click “OK” sehingga akan muncul tabel analisis di file output sebagai berikut :
29
Modul SPSS
Lama tinggal responden * Status I SPA - Non ISPA Crosstabulation
St at us ISPA - Non ISPA

ISPA Non ISPA Total
Lama tinggal >10 tahun Count 6 6 12
responden Expected Count 6,0 6,0 12,0
% of Total 15,0% 15,0% 30,0%
5 - 10 thn Count 7 8 15
Expected Count 7,5 7,5 15,0
% of Total 17,5% 20,0% 37,5%
< 5 tahun Count 7 6 13
% of Total 17,5% 15,0% 32,5%
Total Count 20 20 40
% of Total 50,0% 50,0% 100,0%
Chi-Square Tests
Asy mp. Sig.

Value df (2-sided)
Pearson Chi-Square ,144a 2 ,931
Likelihood Ratio ,144 2 ,931
Linear-by -Linear
,039 1 ,843
Association
N of Valid Cases 40
a. 0 cells (,0%) hav e expect ed count less than 5. The
minimum expected count is 6,00.
HIPOTESIS :
H0 : Tidak ada perbedaan kejadian ISPA berdasarkan variasi lama tinggal
H1 : Ada perbedaan kejadian ISPA berdasarkan variasi lama tinggal
CARA MEMBACA :
- Tabel pertama menunjukkan distribusi data pada kedua variabel yang
dibandingkan. Baris pertama menunjukkan jumlah responden, baris kedua
menunjukkan nilai frekuensi harapan dan baris ketiga menunjukkan prosentase
dari total.
- Perhatikan nilai “p” (significant) pada tabel “Chi-square Test”
- Nilai yang dibaca sebagai nilai “p” (significant) adalah “Asymp. Sign.” pada baris
“Pearson Chi-Square” karena :
 Tabel kontingensi 3 x 2 (lebih dari 2 x 2 )
 Tidak ada nilai frekuensi harapan (Expected Count) yang kurang dari 1
 Nilai frekuensi harapan (Expected Count) yang kurang dari 5 tidak lebih dari
20% jumlah sel.
30
Modul SPSS
- Nilai p menunjukkan 0,931 atau melebihi nilai α (0,05) sehingga H0 diterima.

Dengan demikian secara statistik tidak terdapat perbedaan kejadian ISPA pada
masyarakat yang tinggal selama lebih dari 10 tahun, 5 – 10 tahun atau kurang
dari 5 tahun pada tingkat kepercayaan 95%.
- Jika pada perhitungan di atas terdapat nilai harapan yang kurang dari 1, atau
jumlah nilai harapan yang kurang dari 5 melebihi 20% dari jumlah sel maka
hasil uji chi square tidak bisa dibaca.
- Untuk mengatasi hal ini maka tabel harus dimampatkan dengan cara
menggabung beberapa kategori menjadi kategori baru.
CARA MEMAMPATKAN TABEL :

Misalnya kategori lama tinggal yang < 5 tahun dan 5 – 10 tahun disatukan menjadi
lama tinggal < 10 tahun.
- Buat variabel baru dengan nama lama_tgl
- Beri keterangan kode (value label) yaitu 1 = >10 tahun dan 2 = <10 tahun
- Click “Recode”
- Click “Into Different Variables”
- Click lama_tinggal masukkan dalam box “Variables”
- Ketik variabel tujuan (lama_tgl) pada box “Output variables” - “Name”
- Click “Change” lalu OK
- Click “Old and New Values”

- Catatan : pada label awal 1 = >10 tahun, 2 = 5-10 tahun dan 3 = <5 tahun Kode
2 dan 3 akan digabung menjadi kode 2 saja dengan value label < 10 tahun.
- Ketik “1” pada box “Range – Lowest through”
- Ketik “1” pada box “New Value” Click
- “Add” pada box “old --> New”
31
Modul SPSS
- Artinya untuk kode 1 ke bawah diberi kode 1 (tetap)

- Ketik “2” pada box “Range – Through-highest”
- Ketik “2” pada box “New Value”
- Artinya untuk kode 2 ke atas (2 dan 3) akan digabung menjadi satu kode yaitu
2 saja.
- Click “Add” pada box “old --> New”

- Click “OK” sehingga data SPSS akan bertambah satu variabel seperti gambar
B. Uji χ2 (Chi Square Test) untuk tabel 2 x 2

Uji ini digunakan untuk melihat perbedaan dua kelompok data nominal yang
masing-masing memiliki 2 kategori. Pada lampiran 8 misalnya ingin diketahui
perbedaan kejadian ISPA menurut lokasi rumah responden (di sekitar lintasan
batubara dan sekitar jalan raya).
32
Modul SPSS
PROSEDUR :
- Click variable lokasi (independen) masukkan dalam box “columns”
- Click variable ISPA (dependen) masukkan dalam box “rows”
- Click “Statistics”, click “Chi-square” untuk melihat hasil uji

33
Modul SPSS
- Click “Cells”, click “Observed” dan “Expected”, pada box “Counts” untuk melihat
nilai yang diamati dan nilai harapan
- Click “total” pada box “Percentages”, untuk melihat persentasi total
- Click “OK” sehingga akan muncul tabel analisis di file output sebagai berikut :
Lokasi tempat tinggal * Status ISPA - Non ISPA Crosstabulation
Stat us ISPA - Non ISPA

ISPA Non ISPA Total
Lokasi tempat Lintasan batubara Count 14 6 20
tinggal Expected Count 10,0 10,0 20,0
% of Total 35,0% 15,0% 50,0%
Jalan Ray a Count 6 14 20
% of Total 15,0% 35,0% 50,0%
% of Total 50,0% 50,0% 100,0%
Chi-Square Tests
Asy mp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 6,400b 1 ,011
Continuity Correctiona 4,900 1 ,027
Likelihood Ratio 6,583 1 ,010
Fisher's Exact Test ,026 ,013
Linear-by -Linear
6,240 1 ,012
Association
N of Valid Cases 40
a. Computed only f or a 2x2 table
b. 0 cells (,0%) hav e expected count less than 5. The minimum expected count is
10,00.
34
Modul SPSS
HIPOTESIS :
H0 : Tidak ada perbedaan kejadian ISPA pada responden yang tinggal di sekitar
lintasan batubara dengan yang tinggal di sekitar jalan raya
H1 : Ada perbedaan kejadian ISPA pada responden yang tinggal di sekitar lintasan
batubara dengan yang tinggal di sekitar jalan raya
CARA MEMBACA :
- Tabel pertama menunjukkan distribusi data pada kedua variabel yang
dibandingkan. Baris pertama menunjukkan jumlah responden, baris kedua
menunjukkan nilai frekuensi harapan dan baris ketiga menunjukkan prosentase
dari total.
- Hasil uji dibaca pada tabel uji chi square
- Perhatikan nilai “p” (significant) pada tabel “Chi-square Test”
- Nilai “p” ditunjukkan oleh “Asymp. Sign.” pada baris “Continuity Correction”
(pada tabel kontingensi 2 x 2 nilai “p” harus dikoreksi).
- Nilai p = 0,027 kurang dari nilai α (0,05) sehingga H0 ditolak. Artinya secara
statistik terdapat perbedaan kejadian ISPA pada responden yang bermukim di
sekitar lintasan batubara dengan yang bermukim di sekitar jalan raya pada
tingkat kepercayaan 95%.
Catatan :
- Nilai “Continuity Correction” hanya berlaku untuk tabel 2 x 2 dan tidak terdapat
nilai frekuensi harapan yang kurang dari 5.
- Jika kedua persyaratan ini tidak terpenuhi maka nilai “p” yang dibaca adalah
“Exact Sign.” pada baris “Fisher Exact Test”, dan uji statistik yang digunakan
tidak lagi disebut “Chi Square Test” melainkan “Fisher Exact Test”.
C. Melihat Hubungan (Asosiasi) melalui Uji χ2 (Chi Square Test)

Uji χ2 selain digunakan untuk melihat perbedaan juga dapat digunakan untuk
melihat hubungan dua kelompok data kategori (nominal) yang disebut asosiasi.
Langkah-langkah pengerjaannya sama dengan uji beda (point A dan B) begitu juga
persyaratan dan nilai yang dibaca.
D. Uji Fisher Exact

Pada penjelasan point B telah disinggung mengenai “Fisher Exact Test” yang
merupakan kelanjutan “Chi Square Test” untuk tabel kontingensi 2 x 2.
Ketentuan penggunaan uji Fisher lebih jelas sebagai berikut :
- Untuk tabel 2 x 2
- Terdapat nilai harapan (expected count) yang <5
35
Modul SPSS
Selanjutnya cara pembacaan hasil uji pada tabel “Chi-square Test” sama saja dengan
uji chi square akan tetapi nilai “p” yang dibaca adalah “Exact Sign.” pada baris
“Fisher Exact Test”.
E. Memfilter Data
Ada kalanya tidak semua data dalam suatu variabel digunakan untuk diuji
melainkan hanya sebagian saja. Untuk keperluan ini data yang digunakan harus
difilter (dipilih) sedangkan data lainnya tidak digunakan namun juga tidak
dihilangkan. Misalkan pada lampiran 8 peneliti ingin menguji hubungan lokasi
tinggal responden dengan kejadian ISPA namun yang digunakan hanya responden
yang bermukim lebih dari 10 tahun.
PROSEDUR :
- Click “Data”
- Click “Select Cases”
- Blok variabel lama_tgl
- Click “If condition is satisfied”

- Click “If”
36
Modul SPSS
- Click variabel lama_tgl masukan dalam box di sampingnya

- Ketik “=1”
- Click “Filtered” pada box “Unselected Cases Area”
- Click “OK” sehingga pada file SPSS akan muncul seperti gambar
- Garis diagonal di sebelah kiri dan keterangan Not Selected di sebalah kanan
menyatakan data pada baris tersebut tidak digunakan.
F. Melihat Risiko
Pada uji χ2 (Chi Square Test) untuk tabel 2 x 2 juga dapat dilihat risiko suatu
kejadian. Risiko ini digambarkan dalam bentuk “OR” (Odds Ratio) untuk penelitian
cross sectional atau retrospektif atau “RR” (Relative Risk) untuk penelitian Cohort.
Misalkan pada lampiran 8 telah dilakukan uji chi square dan terbukti secara
statistik terdapat perbedaan kejadian ISPA pada responden yang bermukim di
sekitar lintasan batubara dengan yang bermukim di sekitar jalan raya. Kemudian
37
Modul SPSS
peneliti ingin mengetahui berapa kali lipat risiko kejadian ISPA pada masyarakat
yang bermukim di sekitar lintasan batubara dibandingkan di sekitar jalan raya.
PROSEDUR :
- Click variable lokasi (independen) masukkan dalam box “columns”
- Click variable status_ISPA (dependen) masukkan dalam box “rows”
- Click “Statistics”, click “Risk” untuk risiko kejadian
- Click “OK”. Pada bagian akhir uji akan muncul tabel berikut :
Risk Esti mate
95% Conf idence

Interv al
Value Lower Upper
Odds Rat io f or Lokasi
tempat t inggal (Lintasan 5,444 1,408 21,054
batubara / Jalan Ray a)
For cohort Stat us ISPA -
2,333 1,126 4,834
Non ISPA = ISPA
,429 ,207 ,888
Non ISPA = Non ISPA
N of Valid Cases 40
38
Modul SPSS
CARA MEMBACA :
- Perhatikan nilai “lower” dan “upper” pada “95% Confidence Interval”
- Jika mulai nilai “lower” ke “upper” tidak melewati angka 1 berarti ada risiko.
- Perhatikan “value” pada baris “Odds Ratio” = 5,444. Nilai ini menunjukkan OR
kejadian ISPA pada responden yang tinggal di sekitar lintasan batubara
dibandingkan responden yang tinggal di sekitar jalan raya. (Untuk disain Cross
sectional atau Retrospektif)
- Dengan demikian risiko kejadian ISPA pada responden yang tinggal di sekitar
lintasan batubara 5,444 kali dibandingkan responden yang tinggal di sekitar
jalan raya.
- Adapun nilai ”Cohort” di bawahnya menunjukkan “RR” (relative risk) dari
kejadian ISPA. Nilai 2,333 menunjukkan lintasan batubara berisiko
menimbulkan ISPA 2,333 kali dibandingkan risiko tidak terjadinya ISPA.
Catatan :
Biasanya pada uji “Chi square” sekaligus juga dilihat tingkat risikonya. Sehingga
pada saat pengisian kolom “Statistics”, bagian “Chi square” dan “Risk” keduanya
diberi tanda.
G. Uji Regresi Logistik

Uji ini digunakan untuk melihat pengaruh suatu satu atau beberapa faktor risiko
terhadap suatu kejadian. Uji ini terbagi 2 (dua) bagian yaitu :
1. “Regresi Logistik Sederhana” jika ingin dilihat pengaruh salah satu faktor risiko
saja terhadap suatu kejadian.
2. “Regresi Logistik Berganda” jika ingin dilihat pengaruh beberapa faktor risiko
sekaligus terhadap suatu kejadian.
Data kejadian berskala nominal yaitu terjadi dan tidak terjadi.
Pendekatan probabilitas pengaruh faktor risiko terhadap kejadian mengikuti
formula berikut :
1
X=1 P (y = 1 x) =
1  e β 0 β1x1 β 2 x 2.... βnxn 
Pendekatan probabilitas pengaruh faktor risiko terhadap kemungkinan tidak

terjadinya kejadian mengikuti formula berikut :
1
X=1 P (y = 1 x) =
1  e β 0 β1x1 β 2 x 2.... βnxn 
Misalnya pada lampiran 9 ingin diketahui pengaruh Tingkat pendidikan ibu dan
kebiasaan merokok sewaktu hamil terhadap kejadian BBLR pada bayi.
39
Modul SPSS
PROSEDUR :
- Click “Regression”
- Click “Binary Logistic” muncul dialog box “Logistic Regression”
- Click variable bayi_lahir (dependen) masukkan dalam box “Dependent”
- Masukkan variable pendidikan dan merokok (independen) ke dalam box
“Covariates”
- Click “Categorial”
- Click pendidikan masukkan dalam “Categorial Covariates”
- Click “Contrast” pilih “Indicator”
- Click “First” pada “Reference Category”, karena faktor yang dianggap tidak
berisiko untuk menimbulkan BBLR adalah ibu yang pendidikannya paling
40
Modul SPSS
tinggi. Dalam pemberian label, ibu yang berpendidikan paling tinggi diberi nilai
“0” atau yang pertama. (sebagai variable pembanding)
- Click “Change”
- Click variable merokok (independen) masukkan dalam box “Covariates”
- Click “Categorial”
- Click “First” pada “Reference Category”, karena faktor yang dianggap tidak
berisiko untuk menimbulkan BBLR adalah yang tidak merokok. Dalam
pemberian label, ibu yang tidak merokok diberi nilai “0” atau yang pertama.
(sebagai variable pembanding)
- Click “Contrast” pilih “Indicator”
- Click “Change” lalu “Continue”
- Click “Enter” pada box “Method”
- Click “OK” sehingga muncul beberapa tabel seperti pada lampiran uji regresi
logistik.
Variables i n the Equation
B S.E. Wald df Sig. Exp(B)

Step
a pendidikan 5,943 2 ,051
1 pendidikan(1) -1,030 ,735 1,965 1 ,161 ,357
pendidikan(2) -1,711 ,702 5,943 1 ,015 ,181
merokok(1) -2,035 ,579 12,371 1 ,000 ,131
Constant 1,911 ,667 8,200 1 ,004 6,759
a. Variable(s) entered on st ep 1: pendidikan, merokok.
CARA MEMBACA :
- Perhatikan tabel “Variables in the Equation”
- Perhatikan nilai “Significant (p)” pada masing-masing baris.
- Jika nilai p < α (0,05) maka H0 ditolak, artinya ada pengaruh faktor risiko
terhadap kejadian BBLR, lanjutkan dengan pembacaan risiko.
- Nilai “Exp (B)” menunjukkan Odds ratio faktor risiko terhadap faktor
pembanding (reference).
- Buat persamaan dengan memasukkan nilai “B” sebagai , sebagai berikut :
- Nilai p pada “pendidikan(1)” = 0,161 (tidak signifikan)
- Nilai p pada “pendidikan(2)” = 0,015 (signifikan) dengan nilai “B” = -1,711
- Nilai p pada “merokok(1)” = 0,000 (signifikan) dengan nilai “B” = -2,035
- Nilai p “Constant” = 0,004 (signifikan) dengan nilai “B” = 1,911
41
Modul SPSS
- Maka persamaan untuk kejadian BBLR adalah :
X=1 P (y = 1 x) =
1
1 + e –(1,911– 1,711 pendidikan rendah – 2,035 merokok)
- atau
1
1 + e –1,911 + 1,711 pendidikan rendah + 2,035 merokok)
- Nilai “B” pada tingkat significant < α (0,05), tidak dimasukkan dalam persamaan
di atas.
DATA AGREGAT
Ada kalanya data sudah disajikan dalam bentuk distribusi kelompok atau tabulasi
silang. Bentuk data seperti ini disebut dengan data agregat.
Misalnya pada tabel berikut :
Penget. Baik Sedang Kurang Total
Sikap
Setuju 12 18 25 55
Tidak setuju 50 8 27 85
Total 62 26 52 140
Untuk memasukkan data-data pada variable pengetahuan dan sikap ikuti prosedur
di bawah ini.
PROSEDUR :
- Buat variable pengetahuan
Variable name : pengetahuan
Type : numeric
Value label : 1 : “baik”
2 : “sedang”
3 : “kurang”
Measurement : Nominal
- Buat variable sikap
Variable name : sikap
Type : Numeric
Value label : 1 : “setuju”
2 : “tidak setuju”
Measurement : Nominal
42
Modul SPSS
- Buat variable jumlah

Variable name : jumlah
Type : Numeric
Measurement : Scale
- Isi data sebagai berikut :
- Click “Data”
- Click “Weight Cases”
- Click “Weight cases by”
- Click “Jumlah” masukkan dalam box “Frequency Vabriable”
- Click “OK”
Untuk melakukan uji statistik pada data ini (misalnya uji Chi-square), lakukan
langkah yang sama dengan prosedur pada Uji χ2 (Chi Square Test) untuk data
individu. Hasil yang didapatkan akan sama.
H. Uji Perubahan dari Mc Nemar.

Uji ini digunakan untuk melihat apakah ada perbedaan yang signifikan antara
subyek-subyek yang mengalami perubahan, yaitu yang berubah dari (-) ke (+)
dengan yang berubah dari (+) ke (-).
Misalnya pada lampiran 10 ingin dilihat apakah ada perubahan yang bermakna
antara subyek yang menyatakan setuju terhadap program KB pada awal
pengamatan (pre) kemudian berubah (menolak) pada pengamatan berikutnya
(post) dengan kebalikannya.
Post Setuju Menolak Total
Pre
Setuju 10 18 28
Menolak 24 8 32
Total 34 26 60
PROSEDUR :
- Click “2 Related Samples”
- Click variable “pre” dan “post” masukkan dalam box “Test Pairs List”
43
Modul SPSS
- Click “Mc Nemar” pada box “Test Type” untuk melihat frekuensi dan hasil uji
- Click “OK” sehingga muncul tabel output sebagai berikut :

Test Statisticsb
Setuju
terhadap KB
& Menolak
terhadap KB
N 70
Chi-Square a 5,780
Asy mp. Sig. ,016
a. Continuity Corrected
b. McNemar Test
HIPOTESIS :
H0 : Pada subyek yang mengalami perubahan, tidak ada beda antara yg berubah
dari setuju ke menolak dengan yang berubah dari menolak ke setuju.
H1 : Pada subyek yang mengalami perubahan, ada beda antara yang berubah dari
setuju ke menolak dengan yang berubah dari menolak ke setuju.
CARA MEMBACA :
- Perhatikan nilai “p” (Assymp. Sign) pada tabel “Test Statistics”
- Jika nilai p = 0,016 atau kurang dari nilai α (0,05) menyatakan H0 ditolak.
- Dengan demikian secara statistik pada subyek yang mengalami perubahan, ada
beda antara yang berubah dari setuju ke menolak dengan yang berubah dari
menolak ke setuju pada tingkat kepercayaan 95%.
- Untuk melihat kekuatan hubungan Click “Kappa” pada “Statistic” Cross tab.
44
Modul SPSS
LAMPIRAN OUTPUT
45
Modul SPSS
Lampiran 1
Frequencies
Statistics
Pekerjaan Pendidikan
ibu balit a ibu balit a
N Valid 33 33
Missing 0 0
Frequency Table
Pekerjaan ibu balita
Cumulat iv e
Frequency Percent Valid Percent Percent
Valid IRT 19 57,6 57,6 57,6
PNS 7 21,2 21,2 78,8
Swasta 7 21,2 21,2 100,0
Total 33 100,0 100,0
Pendidi kan ibu bal ita
Cumulat iv e
Frequency Percent Valid Percent Percent
Valid S1 15 45,5 45,5 45,5
SLTA 14 42,4 42,4 87,9
SLTP 4 12,1 12,1 100,0
Total 33 100,0 100,0
Descriptives
Descriptive Statistics
N Range Minimum Maximum Sum Mean St d. Dev iation Variance

Usia ibu balita 33 19 18 37 907 27,48 5,118 26,195
Usia balita 33 5,8 ,2 6,0 113,2 3,430 1,6463 2,710
Valid N (listwise) 33
46
Modul SPSS
Lampiran 2
T-Test
Paired Samples Statisti cs
St d. Error
Mean N St d. Dev iation Mean
Pair Kadar f e pada air baku 2,8823 30 ,59655 ,10891
1 Kadar f e setelah
1,4577 30 ,32404 ,05916
Paired Samples Correlations
N Correlation Sig.
Pair Kadar f e pada air baku &
1 Kadar f e setelah 30 ,697 ,000
Paired Samples Test
Paired Dif f erences

95% Conf idence
Interv al of t he
St d. Error Dif f erence
Mean St d. Dev iation Mean Lower Upper t df Sig. (2-tailed)
Pair Kadar f e pada air baku -
1 Kadar f e setelah 1,42467 ,43739 ,07986 1,26134 1,58799 17,840 29 ,000
47
Modul SPSS
Lampiran 3
T-Test
Group Statisti cs
St d. Error
sumber air N Mean St d. Dev iation Mean
Kadar f e dalam air Sumur Bor 10 2,6110 ,81438 ,25753
SGL 10 1,4870 ,31669 ,10014
Independent Samples Test
Lev ene's Test f or

Equality of Variances t-t est f or Equality of Means
95% Conf idence
Interv al of the
Mean St d. Error Dif f erence
F Sig. t df Sig. (2-tailed) Dif f erence Dif f erence Lower Upper
Kadar f e dalam air Equal v ariances
8,936 ,008 4,068 18 ,001 1,12400 ,27632 ,54348 1,70452
assumed
Equal v ariances
4,068 11,661 ,002 1,12400 ,27632 ,52001 1,72799
not assumed
i
Lampiran 3a
Oneway
ANOVA
Kadar f e dalam air

Sum of
Squares df Mean Square F Sig.
Between Groups 20,064 2 10,032 38,632 ,000
Within Groups 7,012 27 ,260
Total 27,076 29
Post Hoc Tests
Multi ple Compari sons
Dependent Variable: Kadar f e dalam air

LSD
Mean
Dif f erence 95% Conf idence Interv al
(I) sumber air (J) sumber air (I-J) St d. Error Sig. Lower Bound Upper Bound
Sumur Bor SGL 1,12400* ,22790 ,000 ,6564 1,5916
Sungai 1,99800* ,22790 ,000 1,5304 2,4656
SGL Sumur Bor -1,12400* ,22790 ,000 -1,5916 -,6564
Sungai ,87400* ,22790 ,001 ,4064 1,3416
Sungai Sumur Bor -1,99800* ,22790 ,000 -2,4656 -1,5304
SGL -,87400* ,22790 ,001 -1,3416 -,4064
*. The mean dif f erence is signif icant at t he .05 lev el.
Lampiran 4
Univariate Analysis of Variance
Between-Subjects Factors
Value Label N
Lokasi pengambilan 1 jalan
sampel angkut 16
batubara
2
jalan umum 16
Periode pengambilan 1 siang 16

sampel 2 malam 16
Tests of Between-Subjects Effects
Dependent Variable: Kadar debu ambien

Ty pe I II Sum
Source of Squares df Mean Square F Sig.
Corrected Model 882798,594a 3 294266,198 24,316 ,000
Intercept 4124910,031 1 4124910,031 340,859 ,000
lokasi 587257,031 1 587257,031 48,528 ,000
periode 54202,781 1 54202,781 4,479 ,043
lokasi * periode 241338,781 1 241338,781 19,943 ,000
Error 338842,375 28 12101,513
Total 5346551,000 32
Corrected Total 1221640,969 31
a. R Squared = , 723 (Adjusted R Squared = ,693)
Lampiran 5
Correlations
Correlati ons
Volume
larutan tawas
10% (ml) Kekeruhan air
Volume larutan Pearson Correlation 1 -,914**
tawas 10% (ml) Sig. (2-tailed) ,000
N 40 40
Kekeruhan air Pearson Correlation -,914** 1
Sig. (2-tailed) ,000
N 40 40
**. Correlation is signif icant at the 0.01 lev el (2-t ailed).
Lampiran 6
NPar Tests
Wilcoxon Signed Ranks Test
Ranks
N Mean Rank Sum of Ranks

Tingkat penghasilan Negativ e Ranks 8a 5,69 45,50
setelah krisis moneter Positiv e Ranks 3b 6,83 20,50
- Tingkat penghasilan Ties 19c
sebelum krisis
Total 30
a. Tingkat penghasilan setelah krisis moneter < Tingkat penghasilan sebelum
krisis
b. Tingkat penghasilan setelah krisis moneter > Tingkat penghasilan sebelum
krisis
c. Tingkat penghasilan setelah krisis moneter = Tingkat penghasilan sebelum
krisis
Test Statisticsb
Tingkat
penghasilan
setelah krisis
moneter -
Tingkat
penghasilan
sebelum
krisis
Z -1,184a
a. Based on positiv e ranks.
b. Wilcoxon Signed Ranks Test
Lampiran 7
NPar Tests
Mann-Whitney Test
Ranks
Tempat tinggal N Mean Rank Sum of Ranks
Pendidikan responden responden
Desa 15 11,00 165,00
Kota 15 20,00 300,00
Total 30
Test Statisticsb
Pendidikan
responden
Mann-Whitney U 45,000
Wilcoxon W 165,000
Z -3,065
Exact Sig. [2*(1-tailed a
,004
Sig.)]
a. Not corrected f or t ies.
b. Grouping Variable: Tempat t inggal responden
Lampiran 7a
NPar Tests
Friedman Test
Ranks
Mean Rank
Tingkat penghasilan
1,97
sebelum krisis
Tingkat penghasilan
2,30
saat krisis moneter
Tingkat penghasilan
1,73
setelah krisis moneter
Test Statisticsa
N 30
Chi-Square 8,225
df 2
Asy mp. Sig. ,016
a. Friedman Test
NPar Tests
Kruskal-Wallis Test
Ranks
Pendidikan responden N Mean Rank

Kategori pengetahuan Dasar 15 15,80
responden Menengah 10 15,20
Tinggi 5 15,20
Total 30
Test Statisticsa,b
Kategori
pengetahuan
responden
Chi-Square ,039
df 2
Asy mp. Sig. ,981
a. Kruskal Wallis Test
b. Grouping Variable: Pendidikan responden
Nonparametric Correlations
Correlati ons
Kategori
Pendidikan pengetahuan
responden responden
Spearman's rho Pendidikan responden Correlation Coef f icient 1,000 -,035
Sig. (2-tailed) . ,855
N 30 30
Kategori pengetahuan Correlation Coef f icient -,035 1,000
responden Sig. (2-tailed) ,855 .
N 30 30
Lampiran 8
Crosstabs
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Lama tinggal responden
40 100,0% 0 ,0% 40 100,0%
* Status I SPA - Non ISPA
Lama tinggal responden * Status I SPA - Non ISPA Crosstabulation

ISPA Non ISPA Total
Lama tinggal >10 tahun Count 6 6 12
responden Expected Count 6,0 6,0 12,0
% of Total 15,0% 15,0% 30,0%
5 - 10 thn Count 7 8 15
% of Total 17,5% 20,0% 37,5%
< 5 tahun Count 7 6 13
% of Total 17,5% 15,0% 32,5%
% of Total 50,0% 50,0% 100,0%
Chi-Square Tests
Asy mp. Sig.

Value df (2-sided)
Pearson Chi-Square ,144a 2 ,931
Likelihood Ratio ,144 2 ,931
Linear-by -Linear
,039 1 ,843
Association
N of Valid Cases 40
a. 0 cells (,0%) hav e expect ed count less than 5. The
minimum expected count is 6,00.
Risk Esti mate
Value
Odds Rat io f or Lama a
tinggal responden (>10
tahun / 5 - 10 thn)
a. Risk Estimate statistics cannot be computed. They
are only computed f or a 2*2 table without empty cells.
Crosstabs
Cases
Valid Missing Total
N Percent N Percent N Percent
Lokasi tempat tinggal *
40 100,0% 0 ,0% 40 100,0%
Lokasi tempat tinggal * Status ISPA - Non ISPA Crosstabulation
Stat us ISPA - Non ISPA

ISPA Non ISPA Total
Lokasi tempat Lintasan batubara Count 14 6 20
tinggal Expected Count 10,0 10,0 20,0
% of Total 35,0% 15,0% 50,0%
Jalan Ray a Count 6 14 20
% of Total 15,0% 35,0% 50,0%
% of Total 50,0% 50,0% 100,0%
Chi-Square Tests
Asy mp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 6,400b 1 ,011
Continuity Correctiona 4,900 1 ,027
Likelihood Ratio 6,583 1 ,010
Fisher's Exact Test ,026 ,013
Linear-by -Linear
6,240 1 ,012
Association
N of Valid Cases 40
a. Computed only f or a 2x2 table
b. 0 cells (,0%) hav e expected count less than 5. The minimum expected count is
10,00.
Risk Esti mate
95% Conf idence

Interv al
Value Lower Upper
Odds Rat io f or Lokasi
tempat t inggal (Lintasan 5,444 1,408 21,054
batubara / Jalan Ray a)
2,333 1,126 4,834
Non ISPA = ISPA
,429 ,207 ,888
Non ISPA = Non ISPA
N of Valid Cases 40
Lampiran 9
Logistic Regression

a
Unweighted Cases N Percent
Selected Cases Included in Analy sis 72 100,0
Missing Cases 0 ,0
Total 72 100,0
Unselected Cases 0 ,0
Total 72 100,0
a. If weight is in ef f ect, see classif ication table f or the total
number of cases.
Dependent Vari able Encoding
Original Value Internal Value

BBLR 0
Normal 1
Categorical Variables Codings
Paramet er coding
Frequency (1) (2)
Tingkat pendidikan Tinggi 20 ,000 ,000
ibu Sedang 20 1,000 ,000
Rendah 32 ,000 1,000
Kebiasaan merokok Tidak merokok 34 ,000
ibu Merokok 38 1,000
Block 0: Beginning Block
Classificati on Tablea,b
Predicted
Berat badan bay i lahir Percent age

Observ ed BBLR Normal Correct
St ep 0 Berat badan bay i BBLR 39 0 100,0
lahir Normal 33 0 ,0
Ov erall Percentage 54,2
a. Constant is included in the model.
b. The cut v alue is , 500
Variables in the Equation

Step 0 Constant -,167 ,237 ,499 1 ,480 ,846
Variabl es not in the Equation
Score df Sig.
St ep Variables pendidikan 4,657 2 ,097
0 pendidikan(1) ,008 1 ,930
pendidikan(2) 3,046 1 ,081
merokok(1) 12,347 1 ,000
Ov erall Stat istics 17,655 3 ,001
Block 1: Method = Enter
Omnibus Tests of Model Coefficients
Chi-square df Sig.
St ep 1 St ep 19,340 3 ,000
Block 19,340 3 ,000
Model 19,340 3 ,000
Model Summary
-2 Log Cox & Snell Nagelkerke

St ep likelihood R Square R Square
1 79,973a ,236 ,315
a. Estimation terminat ed at iteration number 4 because
parameter est imat es changed by less than ,001.
Classificati on Tablea
Predicted
Berat badan bay i lahir Percent age

Observ ed BBLR Normal Correct
St ep 1 Berat badan bay i BBLR 28 11 71,8
lahir Normal 10 23 69,7
Ov erall Percentage 70,8
a. The cut v alue is , 500
Variables i n the Equation

Step
a pendidikan 5,943 2 ,051
1 pendidikan(1) -1,030 ,735 1,965 1 ,161 ,357
pendidikan(2) -1,711 ,702 5,943 1 ,015 ,181
merokok(1) -2,035 ,579 12,371 1 ,000 ,131
Constant 1,911 ,667 8,200 1 ,004 6,759
a. Variable(s) entered on st ep 1: pendidikan, merokok.
Lampiran 10
NPar Tests
McNemar Test
Crosstabs
Setuju terhadap KB & Menolak terhadap KB
Menolak t erhadap KB
Setuju t erhadap KB 1 2
1 12 16
2 34 8
Test Statisticsb
Setuju
terhadap KB
& Menolak
terhadap KB
N 70
Chi-Square a 5,780
Asy mp. Sig. ,016
a. Continuity Corrected
b. McNemar Test

Modul SPSS PDF

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 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Modul SPSS

A. Mengenal Jenis Data

2. Variabel untuk data Interval, misalnya kelembaban

3. Variabel untuk data Ordinal, misalnya tingkat pendidikan

4. Variabel untuk data Nominal, misalnya jenis kelamin

5. Variabel untuk data String, misalnya nama

- Abaikan kolom “width” dan “Decimal Places”

Setelah nama-nama variabel dimasukkan, lanjutkan dengan klik ”data view”,

DESKRIPSI DATA STATISTIK

N Range Minimum Maximum Sum Mean St d. Dev iation Variance

Kategori umur Value Label

- Click variabel umur_ibu masukkan dalam box “Numeric Variabel  Output

PENGGUNAAN SPSS UNTUK UJI STATISTIK PARAMETRIK

A. Uji t Sampel Berpasangan

Paired Samples Test

Paired Dif f erences

B. Uji t Sampel Bebas

- Click “Define Groups”

Independent Samples Test

Lev ene's Test f or

C. Anova Satu Arah

- Click “Post Hoc”

Kadar f e dalam air

Post Hoc Tests

Multi ple Compari sons

Dependent Variable: Kadar f e dalam air

- Perbedaan ditunjukkan dengan adanya tanda * pada sisi kategori yang

Tests of Between-Subjects Effects

Dependent Variable: Kadar debu ambien

PENGGUNAAN SPSS UNTUK UJI STATISTIK NON PARAMETRIK

A. Wilcoxon Sign Rank Test

- Click “OK” sehingga muncul file output sebagai berikut :

B. Wilcoxon Mann Whitney U Test

- Click “OK”, pada file output akan muncul tabel berikut :

D. Uji Kruskall Wallis

- Click pendidikan masukkan dalam box “Grouping Variable ”

- Click “OK” sehingga muncul tabel berikut pada file output :

E. Uji Korelasi Spearmen

- Click “OK” sehingga muncul tabel berikut pada file output :

PENGGUNAAN SPSS UNTUK UJI STATISTIK NON PARAMETRIK

A. Uji χ2 (Chi Square Test) untuk tabel kontingensi > 2 x 2

- Click “Statistics”, click “Chi-square” untuk melihat hasil uji

Lama tinggal responden * Status I SPA - Non ISPA Crosstabulation

St at us ISPA - Non ISPA

Asy mp. Sig.

- Nilai p menunjukkan 0,931 atau melebihi nilai α (0,05) sehingga H0 diterima.

CARA MEMAMPATKAN TABEL :

- Click “Old and New Values”

- Artinya untuk kode 1 ke bawah diberi kode 1 (tetap)

- Click “Add” pada box “old --> New”

B. Uji χ2 (Chi Square Test) untuk tabel 2 x 2

- Click “Statistics”, click “Chi-square” untuk melihat hasil uji

Stat us ISPA - Non ISPA

Asy mp. Sig. Exact Sig. Exact Sig.

C. Melihat Hubungan (Asosiasi) melalui Uji χ2 (Chi Square Test)

D. Uji Fisher Exact

- Click “If condition is satisfied”

- Click variabel lama_tgl masukan dalam box di sampingnya

95% Conf idence

G. Uji Regresi Logistik

Pendekatan probabilitas pengaruh faktor risiko terhadap kemungkinan tidak

B S.E. Wald df Sig. Exp(B)

- Maka persamaan untuk kejadian BBLR adalah :