MEMULAI SPSS
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”
copyright by zulfikar
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.
copyright by zulfikar
3
Modul SPSS
copyright by zulfikar
4
Modul SPSS
copyright by zulfikar
5
Modul SPSS
copyright by zulfikar
6
Modul SPSS
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
copyright by zulfikar
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 “Analyze”
- 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
copyright by zulfikar
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.
copyright by zulfikar
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 :
PROSEDUR :
- Click “Transform”
- 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”
copyright by zulfikar
10
Modul SPSS
- Click “Add”
- Click “Range – through higest” ketik “30”
- Click “Value” pada box “New value” ketik “3”
- Click “Add”
- Click “Continue”
- 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.
copyright by zulfikar
11
Modul SPSS
Persyaratan :
1. Data berskala ratio atau interval
2. Data berdistribusi normal
PROSEDUR :
- Click “Analyze”
- 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 :
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.
copyright by zulfikar
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%.
PROSEDUR :
- Click “Analyze”
- Click “Compare Mean”
- Click “Independent Sampel t-test”
- Click variable fe masukkan dalam box “Test Variables”
- Click variable sumber masukkan dalam box “Grouping Variable”
- Click “OK” sehingga pada file output akan muncul tabel sebagai berikut :
copyright by zulfikar
13
Modul SPSS
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.
copyright by zulfikar
14
Modul SPSS
- Click “Continue”
- Click “OK” sehingga pada file output akan muncul tabel sebagai berikut :
copyright by zulfikar
15
Modul SPSS
Oneway
ANOVA
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.
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.
copyright by zulfikar
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 “Analyze”
- 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.
- Click “OK” sehingga pada file output akan muncul tabel sebagai berikut :
copyright by zulfikar
17
Modul SPSS
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%.
copyright by zulfikar
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 “Analyze”
- Click “Correlate”
- Click “Bivariate”
- Blok variable tawas dan kekeruhan lalu masukkan dalam box “Variables”
- Click “Pearson”
- Click “OK” sehingga pada file output akan muncul tabel sebagai berikut :
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).
copyright by zulfikar
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).
copyright by zulfikar
20
Modul SPSS
Persyaratan :
1. Data berskala ratio atau interval dengan distribusi tidak normal atau
2. Data berskala ordinal
PROSEDUR :
- Click “Analyze”
- 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
copyright by zulfikar
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
sesudah krisis moneter.
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”
copyright by zulfikar
22
Modul SPSS
Pendidikan
responden
Mann-Whitney U 45,000
Wilcoxon W 165,000
Z -3,065
Asy mp. Sig. (2-tailed) ,002
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.
copyright by zulfikar
23
Modul SPSS
PROSEDUR :
- Click “Analyze”
- Click “Non Parametric-Test”
- 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
sesudah krisis moneter.
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”.
PROSEDUR :
- Click “Analyze”
- Click “Non Parametric-Test”
- Click “K-Independent Samples”
- Click variable pengetahuan dan masukkan dalam box “Test Variable List”
copyright by zulfikar
24
Modul SPSS
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.
copyright by zulfikar
25
Modul SPSS
PROSEDUR :
- Click “Analyze”
- Click “Correlate”
- Click “Bivariate”
- Click variable pendidikan dan variable pengetahuan kemudian masukkan
dalam box “Variables”
- Click “Spearman”
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
copyright by zulfikar
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.
copyright by zulfikar
27
Modul SPSS
DATA INDIVIDU
PROSEDUR :
- Click “Analyze”
- Click “Descrptive Statistic”
- Click “Crosstab”
- Click variable lama_tinggal (independen) masukkan dalam box “row”
- Click variable ISPA (dependen) masukkan dalam box “column”
copyright by zulfikar
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 “Continue”
- Click “OK” sehingga akan muncul tabel analisis di file output sebagai berikut :
copyright by zulfikar
29
Modul SPSS
Chi-Square Tests
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.
copyright by zulfikar
30
Modul SPSS
copyright by zulfikar
31
Modul SPSS
copyright by zulfikar
32
Modul SPSS
PROSEDUR :
- Click “Analyze”
- Click “Descrptive Statistic”
- Click “Crosstab”
- Click variable lokasi (independen) masukkan dalam box “columns”
- Click variable ISPA (dependen) masukkan dalam box “rows”
copyright by zulfikar
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 “Continue”
- Click “OK” sehingga akan muncul tabel analisis di file output sebagai berikut :
Lokasi tempat tinggal * Status ISPA - Non ISPA Crosstabulation
copyright by zulfikar
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”.
copyright by zulfikar
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
copyright by zulfikar
36
Modul SPSS
- 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
copyright by zulfikar
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 “Analyze”
- Click “Descrptive Statistic”
- Click “Crosstab”
- 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 “Continue”
- Click “OK”. Pada bagian akhir uji akan muncul tabel berikut :
Risk Esti mate
copyright by zulfikar
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.
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.
copyright by zulfikar
39
Modul SPSS
PROSEDUR :
- Click “Analyze”
- 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
copyright by zulfikar
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
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
copyright by zulfikar
41
Modul SPSS
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
copyright by zulfikar
42
Modul SPSS
- 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.
copyright by zulfikar
43
Modul SPSS
- Click “Mc Nemar” pada box “Test Type” untuk melihat frekuensi dan hasil uji
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.
copyright by zulfikar
44
Modul SPSS
LAMPIRAN OUTPUT
copyright by zulfikar
45
Modul SPSS
Lampiran 1
Frequencies
Statistics
Pekerjaan Pendidikan
ibu balit a ibu balit a
N Valid 33 33
Missing 0 0
Frequency Table
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
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
copyright by zulfikar
46
Modul SPSS
Lampiran 2
T-Test
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
melewati saringan pasir
N Correlation Sig.
Pair Kadar f e pada air baku &
1 Kadar f e setelah 30 ,697 ,000
melewati saringan pasir
copyright by zulfikar
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
copyright by zulfikar
i
Lampiran 3a
Oneway
ANOVA
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
Between-Subjects Factors
Value Label N
Lokasi pengambilan 1 jalan
sampel angkut 16
batubara
2
jalan umum 16
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
Ranks
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
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
Asy mp. Sig. (2-tailed) ,002
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
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
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
Chi-Square Tests
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%
St at us ISPA - Non ISPA
Chi-Square Tests
Logistic Regression
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
Classificati on Tablea,b
Predicted
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
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
Classificati on Tablea
Predicted
NPar Tests
McNemar Test
Crosstabs
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