UJI ANOVA
Pada bab terdahulu telah dijelaskan uji beda mean dua kelompok data
baik yang independen maupun dependen. Namun seringkali kita jumpai jumlah
kelompok yang lebih dari dua, misalnya ingin mengetahui perbedaan mean berat
badan bayi untuk daerah Bekasi, Bogor dan Tangerang. Dalam menganalisis data
seperti ini (> 2 kelompok) sangat tidak dianjurkan menggunakan uji T.
kelemahan menggunakan uji T adalah; pertama kita melakukan uji berulang kali
sesuai kombinasi yang mungkin, kedua, bila melakukan uji T berulang kali akan
meningkatkan (inflasi) nilai α, artinya akan meningkatkan peluang hasil yang
keliru.
Perubahan inflasi α sebesar = 1 – (1-α)n
Untuk mengatasi masalah tersebut maka uji statistik yang dianjurkan (uji yang
tepat) dalam menganalisis beda lebih dari dua mean adalah uji ANOVA atau uji
F.
Prinsip uji ANOVA adalah melakukan telaah variabilitas data menjadi dua
sumber variasi yaitu variasi dalam kelompok (within) dan variasi antar kelompok
(between). Bila variasi within dan between sama (nilai perbandingan kedua
varian sama dengan 1) maka mean-mean yang dibandingkan tidak ada
perbedaan, sebaliknya bila hasil perbandingan tersebut menghasilkan lebih dari
1, maka mean yang dibandingkan menunjuk ada perbedaan.
107
Analisis varian (ANOVA) mempunyai dua jenis analisi varian satu faktor
(one way) dan analisis faktor (two way). Pada bab ini hanya akan dibahas
analisis varian satu faktor (one way).
Beberapa asumsi yang harus dipenuhi pada uji ANOVA adalah:
1. Varian homogen
2. Sampel/kelompok independen
3. Data berdistribusi normal
4. Jenis data yang dihubungkan adalah : Numerik dengan katagori (untuk
katagori yang lebih dari 2 kelompok.
Sb2
F= df = k-1 Æ untuk pembilang
2
Sw
n-k Æ untuk penyebut
108
perbedaan yang bermakna (Ho ditolak). Ada berbagaijenis analisis multiple
comparasion diantaranya adalah Bonferroni, Honestly Significant different (HSD),
Scheffe dan lain-lain. Pada modul ini yang akan dibahas adalah metode
Bonferroni.
Perhitungan Bonfrroni adalah sbb
Xi - Xj
tij =
Sw2[(1/ni) + (1/nj)]
df = n – k
Dengan level of significance (α) sbb:
α
α* =
(k2)
109
Kasus:
UJI ANOVA
Pada contoh ini aka dicoba dihubungkan antara tingkat pendidikan dengan
berat badan bayi. Variabel pendidikan merupakan variabel katagorik dengan 4
katagori. Variabel berat bayi berbentuk numerik sehingga uji yang digunakan
ANOVA. Adapun caranya sbb:
1. Aktifkan/bukalah file data “ASI.SAV”
2. Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub menu
“Compare Means’, lalu pilih “One-Way ANOVA” sesaat akan muncul menu
One Way NOVA
3. Dari menu One way ANOVA, terlihat bahwa kotak Dependent List dan kotak
Factor perlu diisi variabel. Kotak ‘dependent’ diisi variabel numerik dan kotak
‘factor’ diisi variabel katagoriknya. Pada contoh ini berarti pada kotak
Dependen diisi variabel “bbbayi” pada kotak Factor diisi variabel “Didik”.
4.
5. Klik tombol ‘Options” tandai dengan √ pada kotak “Descriptive”
110
6. Klik “Continue”
7. Klik tombol “Post Hoc”, tandai dengan √ pada kotak “Bonferroni”
8. Klik “Continue”
9. Klik “OK”
Oneway
Descriptives
111
Test of Homogeneity of Variances
ANOVA
Multiple Comparisons
Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing
kelompok. Rata-rata berat bayi pada mereka yang berpendidikan SD adalah
2470,0 gram dengan standar deviasi 249,6 gram. Pada mereka yang
berpendidikan SMP rata-rata berat bayinya adalah 2727,2 gram dengan standar
deviasi 241,2 gram. Pada mereka yang berpendidikan SMU rata-rata berat
112
bayinya adalah 3431,2 gram dengan standar deviasi 270,1 gram. Pada mereka
yang berpendidikan PT rata-rata berat bayinya adalah 3761,5 gram dengan
standar deviasi 386,3 gram.
Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”,
terlihat p=0,000 (kalau desimalnya 0, maka penulisannnya menjadi p=0,0005),
berarti pada alpha 5%, dapat disimpulkan ada perbedaan berat bayi diantara
keempat jenjang pendidikan.
Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni”
yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang
berhubungan signifikan. Untuk mengetahui kelompok yang signifikan dapat
terlihat dari kolom Sig. Ternyata kelompok signifikan adalah tingkat pendidikan
SD dengan SMU, SD dengan PT, SMP dengan SMU, SMP dengan PT dan SMU
dengan PT.
113
berpendidikan PT rata-rata berat bayinya adalah 3761,5 gram dengan standar
deviasi 386,3 gram.
Hasil uji statistik didapat niali p=0,0005, berarti pada alpha 5% dapat
disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.
Analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan
adalah tingkat pendidikan SD dengan SMU, SD dengan PT, SMP dengan
SMU,SMP dengan PT dan SMU dengan PT.
114
ANALISIS HUBUNGAN
Seringkali dalam suatu penelitian, kita menemui data yang tidak dapat
dinyatakan dalam bentuk angka-angka pengukuran (data numerik). Sebaliknya
justru yang kita jumpai adalah data hasil dari menghitung jumlah pengamatan
yang diklasifikasikan atas beberapa katagori. Data seperti ini disebut data
katagorik (kualitatif), misalnya jenis kelamin yang mempunyai katagori: laki-laki
dan perempuan; status merokok yang mempunyai katagori; perokok berat,
perokok ringan dan tidak merokok. Dalam penelitian kesehatan seringkali peneliti
perlu melakukan analisis hubungan variabel katagorik dengan variabel katagorik.
Analisis ii bertujuan untuk menguji perbedaan proporsi dua atau lebih kelompok
sampel. Uji statistik yang digunakan untuk menjawab kasus tersbut adalah UJI
KAI KUADRAT (CHI SQUARE).
Misalnya ingin diketahui hubungan jenis pekerjaan dengan perilaku
menyusui ibu, apakah ada perbedaan proporsi kejadian menyusui eksklusif
antara ibu yang bekerja dengan ibu yang tidak bekerja. Dari contoh terlihat
bahwa variabel jenis pekerjaan (bekerja/tidak bekerja) merupakan variabel
katagorik, dan variabel perilaku menyusui (eksklusif/non eksklusif) juga
merupakan variabel katagorik.
Sebelum berlanjut lebih dalam tentang kai kuadrat terlebih dahulu kita
pahami dengan benar apa itu variabel katagorik. Suatu variabel disebut
katagorik bila isi variabel tersebut terbentuk dari hasil klasifikasi/penggolongan,
misalnya variabel sex, jenis pekerjaan, golongan darah, pendidikan. Di lain
pihakvariabel numerik (misalnya berat badan, umur dll) dapat masuk/dapat
115
menjadi variabel katagorik bila variabel tersebut sudah mengalami
pengelompokan. Misalkan kita ambil satu contoh variabel berat badan, berat
badan bila nilainyamasih riil (50 kg, 63 kg dst) maka masih termasuk variabel
numerik, namun bila sudah dilakukan pengelompokan menjadi (<50 kg (kurus),
50-60 kg (sedang) dan > 60 (gemuk) maka variabel tersebut sudah berjenis
katagorik.
E
df = (k-1)(n-1)
ket :
O = nilai observasi
E = nilai ekspektasi (harapan)
k = jumlah kolom
b = jumlah baris
Untuk mempermudah analisis kai kuadrat, nilai data kedua variabel disajikan
dalam bentuk tabel silang:
Variabel 2
Variabel 1 Jumlah
Tinggi Rendah
Ya a b a+b
Tidak c d c+d
Jumlah a+c b+d n
N (ad-bc)2
X2 =
(a+c)(b+d)(a+b)(c+d)
117
Uji kai kuadrat sangat baik untuk tabel dengan derajat kebebasan (df) yang
besar. Sedangkan khusus untuk tabel 2 x 2 (df-nya adalah 1) sebaiknya
digunakan uji kai kuadrat yang sudah dikoreksi (Yate Corrected atau Yate’s
Correction). Formula kai kuadrat Yate’s Correction adalah sbb:
(|O – E| - 0,5)2
2
X =
E
atau
N {|ad-bc|2 – (N/2)]2
X2 =
(a+c)(b+d)(a+b)(c+d)
118
Andai saja keterbatasan tersebut terjadi pada tabel 2 x 2 (ini berarti tidak
bisa menggabung katagori-katagorinya lagi), maka dianjurkan menggunakan uji
Fisher’s Exact.
Pengkodean Variabel :
Perlu diketahui bahwa dalam mengeluarkan nilai OR dan RR harus hati-
hati jangan sampai terjadi kesalahan pengkodean. Pemberian kode harus ada
konsistensi antara variabel independen dengan variabel dependen. Untuk
variabel independen, kelompok yang berisiko/expose diberi kode tinggi (kode
1) dan kode rendah (kode 0)untuk kelompok yang tidak berisiko/non expose.
Pada variabel dependennya, kode tinggi (kode 1) untuk kelompok kasus atau
kelompok yang menjadi fokus pembahasan penelitian dan kode rendah (kode 0)
untuk kelompok non kasus atau yang bukan menjadi fokus penelitian. Sebagai
contoh data di atas pengkodeannya adalah sbb: Ibu tidak bekerja diberi kode 1
119
dan bekerja kode 0 dan ibu yang menyusui secara eksklusif diberi kode 1 dan
non eksklusif diberi kode 0. Sebetulnya bisa juga kodenya dibalik, tapi harus
konsisten, misalnya kodenya: tidak bekerja =0, bekerja =1 dan eksklusive =0,
tdk eksklusive =1.
Tabel …
Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan
Pengetahuan
Total
Pendidikan Rendah Tinggi
N % n % n %
SD 25 50,0 25 50,0 50 34,4
SMP 16 40,0 24 60,0 40 27,6
SMU 10 33,3 20 66,7 30 20,7
PT 5 20,0 20 80,0 25 17,3
Jumlah 56 38,7 89 61,3 145 100,0
120
berpengetahuan tinggi. Dari data ini terlihat ada kecenderungan bahwa semakin
tinggi tingkat pendidikan akan semakin tinggi tingkat pengetahuannya.
Pada penelitian yang berjenis kasus kontrol (Case Control) pembuatan
persentasenya berdasarkan variabel dependennya, misalkan terlihat pada tabel
berikut:
Tabel …
Distribusi Responden Menurut Kasus kanker paru dan Jenis Kelamin
Kanker Paru
Jenis Total
Kasus Kontrol
Kelamin
n % N % n %
Laki-laki 75 75,0 30 30,0 105 52,5
Perempuan 25 25,0 70 70,0 95 47,5
Jumlah 100 50,0 100 50,0 200 100,0
Interpretasinya:
Dari mereka yang menderita kanker paru, ada sebanyak 75 (75%) responden
berjenis kelamin laki-laki. Sedangkan pada kelompok yang tidak menderita
kanker paru, ada sebanyak (30%) responden yang berjenis kelamin laki-laki.
121