ANALISIS DATA PENELITIAN UNIVARIAT

DISUSUN OLEH:

NAMA : ASTRI ELVETTA MENDROFA

NIM : 032017047
DOSEN PEMBIMBING : POMARIDA SIMBOLON, S. KM., M. Kes

PROGRAM STUDI NERS TAHAP AKADEMIK

SEKOLAH TINGGI ILMU KESEHATAN SANTA ELISABETH
MEDAN
2020

DAFTAR ISI
DAFTAR ISI............................................................................................................................ii

BAB 1 PENDAHULUAN.......................................................................................................3

A. ANALISIS DATA PENELITIAN UNIVARIAT.........................................................3

BAB 2 KASUS........................................................................................................................7

BAB 3 PEMBAHASAN..........................................................................................................8

DAFTAR PUSTAKA............................................................................................................10

i
 BAB 1
PENDAHULUAN

A. ANALISIS DATA PENELITIAN UNIVARIAT

Analisis univariat biasanya cocok untuk menjelaskan data berjenis katagorik,
sedangkan untuk data jenis numerik biasanya dapat menggunakan nilai rata-rata
untuk menjelaskan karakteristiknya (Rinaldi & Mujianto, 2017). Jenis analisis ini
digunakan untuk penelitian satu variabel. Analisis ini dilakukan terhadap penelitian
deskriptif, dengan menggunakan statistik deskriptif. Hasil penghitungan statistik
tersebut nantinya merupakan dasar dari penghitungan selanjutnya (Siyoto & Sodik,
2015).
Statistik univariat Analisis statistik variabel tunggal untuk tujuan deskripsi
(misalnya, menghitung rata-rata) (Polit & Beck, 2017).
Analisis univariat:
(1) Analisis yang dilakukan terhadap sebuah variabel
(2) lakukan analisis distribusi frekuensi, hitung rata-rata (mean), proporsi dan
standar deviasi/simpangan baku, variansi, median, modus (mode) dan
lanjutkan dengan statistik deskriptif (Barlian, 2016).
Analisis univariat bermanfaat untuk :
(1) menginformasikan suatu variabel dalam kondisi tertentu tanpa dikaitkan
dengan variabel lain.
(2) mengetahui perkembangan data suatu variabel dengan cara
membandingkannya dengan data tahun-tahun sebelumnya.
Contohnya adalah : Tingkat kepuasan mahasiswa dalam menerima pelayanan di
UNP. Dalam hal ini dapat dirumuskan lagi data tentang : Bagian mana di UNP
yang paling memuaskan dan aspek apa saja yang paling memuaskan atau
mengecewakan serta apa saja yang paling penting untuk dibenahi/perbaiki. Dari
data setiap tahun akan berguna untuk memperbaiki pelayanan pada mahasiswa
(Barlian, 2016).

3
 Menurut jurnal “How to describe univariate data”
Analisis univariat bertujuan untuk mendeskripsikan distribusi variabel tunggal
dalam satu sampel. Ini adalah langkah penting pertama dari setiap uji klinis (Canova
et al., 2017).
Variabel
Variabel dapat berupa kategorikal atau numerik. Data kategoris atau kualitatif
dapat berupa biner, nominal atau ordinal. Variabel biner dicirikan oleh hanya
dua kategori yang memungkinkan, misalnya pria/wanita, mati/hidup.
Jika ada lebih dari dua kategori/kelas, penting untuk membedakan antara
variabel nominal, seperti golongan darah, dan variabel ordinal, seperti stadium
penyakit. Data kategoris harus disajikan tidak hanya memberikan persentase
untuk setiap kelas, tetapi juga frekuensi absolut.
Data numerik atau kuantitatif dapat secara luas dibagi menjadi diskrit atau
kontinu. Variabel diskrit muncul terutama dari hitungan, seperti jumlah kata
dalam kalimat, jumlah komponen keluarga, sedangkan variabel kontinu muncul
terutama dari pengukuran, seperti tinggi badan, tekanan darah, atau ukuran
tumor. Variabel semacam itu kontinu karena, pada prinsipnya, nilai apa pun
(dalam rentang pengukuran yang dapat diterima) dapat diambil, sedangkan
variabel diskrit hanya dapat mengambil nilai numerik tertentu.
Untuk variabel kontinu, satu-satunya batasan muncul dari keakuratan instrumen
pengukuran. Variabel diskrit terkadang diperlakukan sebagai variabel kontinu,
jika jumlah nilai yang memungkinkan sangat besar. Variabel numerik dapat
diubah secara kategoris dengan mengelompokkan nilai menjadi dua atau lebih
kategori untuk menyederhanakan pemahaman hasil (tetapi tidak secara umum
analisis). Kategorisasi variabel numerik mengakibatkan hilangnya informasi,
terutama dengan dua kelompok, dan harus dilakukan dengan hati-hati (Canova
et al., 2017).
Distribusi frekuensi dan tendensi sentral

4
Variabel dapat dijelaskan dengan distribusi frekuensinya yang melaporkan
frekuensi absolut (atau relatif terhadap total) berapa kali nilai / kelas tertentu
dari variabel diamati dalam sampel. Variabel kontinu harus dibagi dalam kelas
untuk tujuan ini. Untuk variabel nominal yang dipesan dan untuk variabel
numerik, frekuensi kumulatif juga dapat dihitung.
Karena keterbatasan ruang, tabel yang melaporkan nilai ringkasan untuk setiap
distribusi sering digunakan untuk mendeskripsikan variabel yang
dipertimbangkan dalam penelitian. Sebelum meringkas distribusi dengan
beberapa angka, selalu perlu untuk melihat distribusi secara keseluruhan. Jika
bentuk distribusinya mendekati simetris (seperti untuk distribusi Gaussian),
mean dan deviasi standar (SD) dapat digunakan, melaporkan hasil sebagai
mean (SD), dan menghindari ±. Jika bentuk distribusi miring, lebih baik
menggunakan median dan kuartil. Rekomendasi umum dapat berupa
melaporkan, dalam setiap kasus, mean, median, SD dan kuartil. Mean, median,
dan mode sangat mirip dalam kasus distribusi simetris. Dalam kasus distribusi
miring, median kurang dipengaruhi oleh observasi ekstrim.
Ukuran ringkasan lainnya adalah mode yang paling sering diamati. Ini jarang
berguna untuk variabel numerik, sedangkan ini adalah satu-satunya ukuran
yang akan digunakan dengan variabel kategori. Saat mendeskripsikan variabel
kategori dalam tabel, tidak hanya persentase untuk setiap kelas, tetapi juga
frekuensi absolutnya, harus selalu dilaporkan
SD tidak harus bingung dengan kesalahan standar (SE).
SE adalah ukuran penyebaran mean sampel di sekitar mean populasi dan
digunakan untuk tujuan inferensial (bukan deskriptif). SE adalah rasio antara
SD dan akar kuadrat ukuran sampel (n)
SD sangat berguna ketika distribusinya kira-kira Gaussian, seperti dalam kasus
Gaussian sekitar 95% pengamatan termasuk dalam dua SD mean (Canova et al.,
2017).

5
Pembulatan angka
Aturan umumnya adalah menyajikan statistik ringkasan tidak lebih dari satu
tempat desimal daripada data mentah. Dalam kasus persentase, seringkali cukup
sering untuk memperkirakan di satu tempat desimal. Pembulatan sebaiknya
dilakukan hanya dalam laporan akhir, bukan selama analisis, untuk menjaga
ketepatan dan tidak kehilangan informasi.
Menurut salah satu aturan yang umum digunakan, angka berlebih akan dihapus
jika angka pertama yang melebihi angka tersebut kurang dari lima. Jika
kelebihan digit pertama lebih atau sama dengan lima, digit terakhir yang tidak
melebihi ditambah satu. Ketahuilah bahwa keluaran komputer selalu berisi hasil
palsu yang harus dibulatkan sesuai dengan keakuratan asli pengukuran (Canova
et al., 2017).
Time to event data
Dalam banyak studi klinis, waktu dimulainya suatu peristiwa sangat menarik.
Data yang disensor mengacu pada subjek yang termasuk dalam analisis tetapi
untuk siapa peristiwa yang menarik belum diamati saat penelitian ditutup.
Misalnya, dalam studi kelangsungan hidup yang disensor, data yang disensor
mencakup pasien yang masih hidup pada akhir masa tindak lanjut dan pasien
mangkir selama masa tindak lanjut.
Saat melaporkan jumlah kejadian, disarankan untuk menghindari penghitungan
persentase sehubungan dengan jumlah total subjek kecuali semua subjek
ditindaklanjuti untuk jumlah waktu yang sama. Kelengkapan tindak lanjut
merupakan salah satu indikator kualitas pembelajaran. Oleh karena itu, peneliti
harus melaporkan jumlah subjek yang mangkir di samping rentang tindak lanjut
(minimum dan maksimum). Metode Kaplan-Meier cocok untuk
mendeskripsikan distribusi variabel tersebut dengan mempertimbangkan waktu
tindak lanjut dan observasi yang disensor (Canova et al., 2017).

6
 BAB 2
KASUS
Dalam uji ini, yang ingin diuji adalah interaksi antara sampel satu dengan sampel lain
dalam beberapa variabel. Sesuai dengan contoh yang akan ditampilkan, yaitu
penjualan tipe ban dengan daerah (wilayah penjualannya), apakah terdapat interaksi
secara nyata. Interaksi akan mencerminkan perilaku sampel berhubungan secara
nyata atau tidak. Sehingga bisa kita ketahui, tipe produk yang kita jual disukai atau
tidak di tiga kota tersebut. Uji ini dikenal juga dengan istilah analisa Univariat.
Contoh kasus:

PERMASALAHAN
Tipe ban yang dijual di tiga kota, apakah memiliki interaksi nyata atau tidak?
(Artaya, 2019)

7
 BAB 3
PEMBAHASAN
HIPOTESA
Ho : tidak ada interaksi antara daerah penjualan dengan tipe ban yang dijual
Ha : ada interaksi antara daerah penjualan dengan tipe ban yang dijual

KAIDAH KEPUTUSAN
Jika probabilitas (sig) > 0,05 maka Ho diterima
Jika probabilitas (sig) < 0,05 maka Ha diterima

PEMBAHASAN

8
Perhatikan tabel hasil analisa yang ketiga, tests betweens subjects effects yaitu:
1. Wilayah (nilai F = 23,776) dengan probabilitas (sig) adalah 0,000 < 0,05 maka
Ha diterima, rata-rata penjualan ban untuk tiap area memang berbeda (rata-rata
populasi tidak identik), artinya bisa saja penjualan di Jakarta lebih tinggi
dibanding Surabaya, kemudian penjualan di Surabaya lebih tinggi dibanding
penjualan di Denpasar.
2. Tipe (nilai F = 0,809) dengan probabilitas (sig) adalah 0,451 > 0,05 maka H0
diterima, artinya rata- rata penjualan setiap tipe ban tidak berbeda untuk tiap
wilayah, tipe ban soft, hard, dan combine sama-sama disukai oleh konsumen di
tiga kota tersebut.
3. Area*Tipe (nilai F = 1,643) dengan probabilitas (sig) adalah 0,179 > 0,05 maka
H0 diterima artinya tidak ada interaksi wilayah penjualan dengan tipe ban yang
dijual, artinya konsumen di tiga kota rata- rata hampir semuanya menyukai tipe
ban yang dijual.

Prosedur Analisa Data:

1. Buka file ‘data’
2. Pilih menu Analyze > General Linier Model > Univariate, muncul kotak dialog
Univariate.
3. Masukkan variabel revenue of sales pada kotak Dependent Variabel.
4. Masukkan variabel are dan tipe pada kotak Fixed Factor.
5. Klik Option untuk menampilkan kotak dialog.
6. Pada kotak dialog, klik Homogeneity Test untuk menguji varian populasi
dependent variabel.
7. Tekan Continue untuk melanjutkan 8. Klik Ok untuk memulai proses data.

9
 DAFTAR PUSTAKA
Artaya, I. P. (2019). Analisis Univariat. ResearchGate, 1–4.
https://doi.org/10.13140/RG.2.2.30889.75367
Barlian, E. (2016). Metode Penelitian Kualitatif & Kuantitatif. Sukabina Press.
Canova, S., Cortinovis, D. L., & Ambrogi, F. (2017). How to Describe Univariate Data.
Journal of Thoracic Disease, 9(6), 1741–1743. https://doi.org/10.21037/jtd.2017.05.80
Polit, D. F., & Beck, C. H. (2017). Nursing Research Generating and Assesing Evidence for
Nursing (C. Burn & K. Burland (eds.); Tenth Edit). Wolter Kluwer.
Rinaldi, S. F., & Mujianto, B. (2017). Metodologi Penelitian dan Statistik. In Metodologi
Penelitian dan Statistik. Kementerian Kesehatan Republik Indonesia.
Siyoto, S., & Sodik, A. (2015). Dasar Metodologi Penelitian (Ayup (ed.); 1st ed.). Literasi
Media Publishing.

10