Modul Spss 2018 Baru

PANDUAN PRAKTEK
APLIKASI KOMPUTER
2017
1
OLEH PODOJOYO,SKM,M.KES
KATA PENGANTAR
Penyediaan buku untuk proses belajar mengajar sangat membantu

mahasiswa dalam mengikuti perkuliahan, terutama dalam Praktek
Aplikasi Komputer pada Jurusan Gizi Politeknik Kesehatan Palembang.
Dalam buku ini disusun berdasarkan kurikulum yang sedang berlaku
dan penambahan program sesuai dengan perkembangan teknologi. Buku
ini merupakan kumpulan dari panduan praktek sebelumnya yang telah
mengalami perbaikan dengan menyesuaikan.
Dalam buku ini berisikan panduan untuk program SPSS for

Windows versi 20.0. Penggunaan buku ini disarankan sudah dapat
mengoperasikan program komputer dasar yaitu MS Word untuk olah
kata dan MS Excel untuk olah angka. Selain itu juga sudah memahami
statistik deskriptif dan inferensial, karena pada buku ini berisikan
pengolahan data secara sederhana dan mudah dipelajari seperti
membuat template entry data, compute, transformasi data, edit data,
pengolahan data, dan analisis data deskriptif dan inferensial.
Buku ini diharapkan dapat membantu mahasiswa dalam

mengikuti praktek aplikasi komputer dan juga dapat digunakan oleh
peneliti atau praktisi dalam mengolah dan analisa data kesehatan.
Akhir kata semoga buku ini dapat bermanfaat.
Palembang, September 2017
Penulis
i
DAFTAR ISI
KATA PENGANTAR .................................................................................................. i

DAFTAR ISI................................................................................................................ ii
1|PEDAHULUAN........................................................................................................ 1
1.1 Statistik dan Komputer....................................................................................... 1
1.2 Mengenal SPSS For Windows ........................................................................... 2
2|PENGOLAHAN DATA ........................................................................................... 3
2.1 Pendahuluan ....................................................................................................... 3
2.2 Pemeriksaan Data (Editing) ............................................................................... 3
2.3 Pemberian Kode (Koding) ................................................................................. 4
2.4 Pemrosesan Data (proccessing).......................................................................... 5
2.5 Pembersihan Data (Cleaning) ............................................................................ 5
3|MENU PADA SPSS ................................................................................................. 8
3.1 Mengaktifkan SPSS for Windows ..................................................................... 8
3.2 Menu File ......................................................................................................... 10
3.3 Menu Edit......................................................................................................... 20
3.4 Menu Data........................................................................................................ 22
3.5 Menu Transform............................................................................................... 27
4|PENGANTAR ANALISIS DATA ......................................................................... 35
4.1 Prinsip Analisis Data........................................................................................ 35
4.2 Tipe Data Statistik............................................................................................ 36
4.3 Langkah-langkah Analisis Data ....................................................................... 37
5|ANALISIS UNIVARIAT ...................................................................................... 46
5.1.Analisis Univariat (Data katagori) : ................................................................ 49
5.2. Analisis Univariat (Data Numerik) ................................................................. 54
6|ANALISIS BIVARIAT.......................................................................................... 59
6. 2. Analisis Hubungan Data Katagori dengan Numerik (Uji t)........................... 64
6.3. Analisis Hubungan Data Katagori dengan Numerik (Anova) ........................ 73
6.4. Analisis Hubungan Data Numerik dengan Katagori (Uji Korelasi dan Regresi
Linier Sederhana) ................................................................................................... 79
6.5. Menampilkan Grafik ....................................................................................... 90
ii
Tampilan Grafik untuk Data Katagori : ............................................................. 90
Tampilan Grafik untuk Data Numerik ............................................................... 96
DAFTAR PUSTAKA .............................................................................................. 101
iii
1| PEDAHULUAN
Kemajuan teknologi di bidang komputer pada beberapa dekade

terakhir ini menuntut mahasiswa khususnya dibidang kesehatan untuk
mempelajari bagaimana melakukan manajemen dan analisis data
menggunakan komputerisasi. Metode statistik yang merupakan salah
satu alat bantu dalam menelaah laporan-laporan ilmiah, mengadakan
analisis data yang diperoleh dari hasil survey dan catatan medik di
rumah sakit, mengadakan penelitian dalam bidang kesehatan, dan lain-
lain kini sudah dapat dikerjakan dengan menggunakan komputer.
1.1 Statistik dan Komputer

Komputer berasal dari bahasa Yunani dengan asal kata
“Computare” yang artinya menghitung. Menghitung merupakan kegiatan
operasi matematika seperti menjumlah, mengurang, membagi, dll serta
operasi logika seperti (>, <, =). Dengan demikian komputer dirancang
untuk melakukan fungsi-fungsi tersebut.
Sementara statistik berasal dari kata “statistic” yang dapat
diartikan sebagai data yang telah terolah yaitu data mentah yang
mengalami proses pengolahan data. Misal data tentang kadar
hemoglobin (g/dl) pada sekelompok remaja putri yang kemudian dihitung
nilai rata-rata, median, varians, standar deviasi, dll. Hasil perhitungan
tersebut diproses dan diolah dengan melakukan operasi matematika
yang barang tentu dapat dikerjakan dengan cepat dengan menggunakan
komputer. Jadi statistik menyediakan cara/metode pengolahan data,
maka komputer menyediakan sarana pengolahan data.
Komputer mempunyai fungsi untuk mengolah data menjadi
informasi. Data yang akan diolah dimasukkan sebagai input, kemudian
dilakukan proses pengolahan data oleh Komputer dan hasilnya menjadi
sebuah informasi.
APLIKASI KOMPUTER 1
PROSES
INPUT INFORMASI
KOMPUTER
DATA
Statistik juga mempunyai fungsi sama dengan komputer, yaitu

mengolah data dengan melakukan perhitungan statistic kemudian data
diproses menjadi informasi.
PROSES
INPUT INFORMASI
DATA STATISTIK
1.2 Mengenal SPSS For Windows

SPSS sebelumnya diperuntukkan bagi pengolahan data statistic
untuk ilmu social (Statistical Package for the Social Sciences), namun
sekarang diperluas untuk melayani berbagai jenis user, seperti untuk
riset ilmu-ilmu sains, proses produksi di pabrik, dan lainnya. Sehingga
kepanjangan SPSS adalah (Statistical Product and Service Solutions).
SPSS merupakan salah satu program olah data statistik yang

paling banyak diminati kalangan peneliti. Hampir semua metode
statistic dapat dilakukan dengan menggunakan SPSS. Seperti halnya
ingin melakukan analisis deskriptif misal : mencari nilai mean, median,
modus, sum, varians, standard deviasi, standard error, minimum,
maksimum, persentase, kuartil, persentil, range dan lain-lain,
melakukan analisis statistic parametric, misal : compare mean,
independent sample t test, dependent sample t test, one way Anova,
korelasi regresi, chi square, dll, serta melakukan analisis statistic non
parametric, misal uji crosstab, binomial, chi square, kolmogorov smirnov,
dll.
APLIKASI KOMPUTER 2
2|P ENGOLAHAN DATA
2.1 Pendahuluan
Pengolahan data merupakan proses yang sangat penting dalam
penelitian. Pengolahan data merupakan salah satu bagian dari
serangkaian kegiatan penelitian setelah melakukan pengumpulan data.
Data yang dikumpulkan merupakan data mentah yang harus
diorganisasi sedemikian rupa agar dapat disajikan dalam bentuk tabel
atau diagram hingga siap untuk dianalisis dan ditarik kesimpulan.
Kegiatan dalam proses pengolahan data adalah
1. memeriksa data (editing),
2. memberi kode (coding),
3. memproses data (proccessing),
4. membersihkan data (cleaning)
2.2 Pemeriksaan Data (Editing)

Yang dimaksud proses editing adalah memeriksa data yang telah
dikumpulkan baik berupa daftar pertanyaan, kartu atau buku register.
Yang dilakukan pada kegiatan editing ialah, menjumlah dan melakukan
koreksi.
Kegiatan menjumlah merupakan kegiatan menghitung banyaknya
lembaran daftar pertanyaan yang telah diisi untuk mengetahui apakah
sudah sesuai dengan jumlah yang telah ditentukan.
Kegiatan koreksi adalah proses membenarkan atau menyelesaikan
hal-hal yang salah atau kurang jelas, misal apakah jawaban yang ada di
kuesioner sudah :
a. Lengkap : semua pertanyaan sudah terisi jawaban
b. Jelas : tulisan pada setiap jawaban pertanyaan sudah cukup jelas
dibaca?
c. Relevan : Isi jawaban sudah relevan dengan pertanyaan ?
APLIKASI KOMPUTER 3
d. Konsisten : Isi jawaban dengan beberapa pertanyaan sudah
konsisten?
2.3 Pemberian Kode (Koding)

a. Koding merupakan kegiatan merubah data berbentuk huruf menjadi
data berbentuk angka/bilangan. Pemberian kode dapat dilakukan
sebelum atau sesudah pengumpulan data dilakukan. Tujuan melakukan
koding adalah untuk mempermudah dalam pengolahan data.
Misalnya jenis kelamin untuk laki-laki diberi kode 1 dan wanita
diberi kode 2. Contoh lain misalnya variable tingkat pendidikan diberi
kode seperti di bawah ini.
Tidak sekolah kode 0
SD kode 1
SLTP kode 2
SLTA kode 3
PT/Akademi kode 4
b. Mentransformasi data numerik (Hb) menjadi data kategorik (anemia)
Gambar 2.3.1 Transformasi data numeric (Hb) ke Kategorik (anemia)
APLIKASI KOMPUTER 4
2.4 Pemrosesan Data (proccessing)
Pemrosesan data dilakukan dengan cara meng-entry data dari
kuesioner ke paket program komputer. Proses ini dilakukan bila semua
isian kuesioner sudah terisi penuh dan benar. Ada berbagai macam paket
program komputeryang dapat digunakan, dan salah satunya adalah
SPSS for windows.
2.5 Pembersihan Data (Cleaning)

Pembersihan data (cleaning) merupakan kegiatan pengecekan
kembali data yang sudah di-entry. Pada saat entry data ke komputerbisa
saja terjadi kesalahan. Misalnya, pada variable status penimbangan
anaknya ke posyandu bulan ini ibu balita tidak menimbang anaknya ke
posyandu tetapi pada variable berat badan terdapat data berat badan
terisi 15 kg. Ini berarti ada data yang tidak konsisten (salah) karena
anaknya tidak ditimbang tetapi data berat badannya terisi 15 kg.
Beberapa cara untuk melakukan cleaning data :
a. Mengetahui missing data
Cara mendeteksi missing data adalah dengan melakukan distribusi
frekuensi pada tiap variable. Di bawah ini ada dua variable yang satu
variable jenis kelamin dan satu lagi variable tingkat pendidikan.
Pada table 2.5.1 mengenai variable jenis kelamin tidak ada missing
data, pada tabel diketahui jumlah laki-laki ada 31 (43,1 %) orang
sedangkan perempuan ada 41 (56,9 %) orang.
Tabel 2.5.1 Jenis Kelamin
Jenis Kelamin
Cumulative
Frequency Percent Valid Percent Percent
Valid Laki-laki 31 43.1 43.1 43.1
Perempuan 41 56.9 56.9 100.0
Total 72 100.0 100.0
Sementara pada table 2.5.2 di bawah yaitu variable tingkat pendidikan

terdapat missing data berjumlah 24 orang. Jumlah seluruhnya yang
APLIKASI KOMPUTER 5
sebenarnya adalah 48 orang dengan rincian pendidikan SD ada 6 (12,5
%), SLTP ada 11 (22,9 %). SLTA ada 29 (60,4 %) dan PT ada 2 (4,2 %).
Tabel 2.5.2 Tingkat Pendidikan

Tingkat Pendidikan
Cumulative
Valid SD 6 8.3 12.5 12.5
SLTP 11 15.3 22.9 35.4
SLTA 29 40.3 60.4 95.8
PT 2 2.8 4.2 100.0
Total 48 66.7 100.0
Missing System 24 33.3
Total 72 100.0
b. Mengetahui variasi data

Tujuan mengetahui variasi data adalah untuk mengetahui apakah
data yang dientry sudah benar atau masih salah. Untuk mengetahui
adanya kesalahan data berikut ilustrasi hasil output komputerpada
variable status anemia.
Tabel 2.5.3 Status Anemia
Status Anemia
Cumulative
Valid Anemia 25 34.7 34.7 34.7
Normal 45 62.5 62.5 97.2
3.00 2 2.8 2.8 100.0
Total 72 100.0 100.0
Dari tampilan tabel 2.5.3 di atas ternyata ada data yang salah,
yaitu munculnya kode status anemia angka 3.00 yang berjumlah 2
orang. Seharusnya variabel status anemia hanya ada dua kategorik
yaitu anemia dan normal.
c. Mengetahui konsistensi data
Cara mendeteksi adanya ketidak konsistensi data dilakukan dengan
cara menghubungkan dua variabel.
APLIKASI KOMPUTER 6
Tabel 2.5.4 Keikutsertaan KB
Keikutsertaan KB
Cumulative
Valid Ya 17 34.0 34.0 34.0
Tidak 33 66.0 66.0 100.0
Total 50 100.0 100.0
Tabel 2.5.5 Jenis Alat Kontrasepsi

Jenis Alat Kontrasepsi
Cumulative
Valid Tidak pakai 31 62.0 62.0 62.0
Suntik 4 8.0 8.0 70.0
Pil 4 8.0 8.0 78.0
Kondom 5 10.0 10.0 88.0
IUD 6 12.0 12.0 100.0
Total 50 100.0 100.0
Dari kedua tabel di atas terlihat bahwa ada ketidak konsisten

antara jumlah peserta yang tidak ikut KB (33 orang) sementara pada
tabel penggunaan jenis alat kontrasepsi yang dipakai kelompok yang
tidak pakai alat kontrasepsi berjumlah 31 orang. Seharusnya keduanya
mempunyai jumlah yang sama.
APLIKASI KOMPUTER 7
3|M ENU PADA SPSS
3.1 Mengaktifkan SPSS for Windows

Untuk menjalankan program SPSS for Windows terlebih dahulu
program tersebut sudah terinstall di komputer. Untuk memanggil
program SPSS dapat dilakukan dua cara :
3.1.1 Bila tampilan komputersudah muncul icon SPSS, maka klik
dengan mouse icon tersebut dua kali.
Gambar 3.1.1 Icon SPSS pada desktop

3.1.2 Bila layar computer belum ada icon SPSS, maka langkah-
langkahnya adalah sebagai berikut : 1. klik start
2. klik program
3. klik SPSS for Windows dua kali
Gambar 3.1.2 Memulai program SPSS for Windows
APLIKASI KOMPUTER 8
Pada saat SPSS pertama kali dibuka selalu tampak tampilan pertama
seperti berikut.
Gambar 3.1.3 Tampilan pertama SPSS

Keterangan dari Data Editor yaitu:
 File , digunakan untuk membuat atau membuka file
 Edit, digunakan untuk memodifikasi, mengkopi, menghapus maupun
syntax
window
 Data, digunakan untuk pilihan umum dari file seperti define
variable, penggabungan file, dll.
 Transform, untuk pembentukan variabel baru yang valuenya
merupakan hasil transformasi dari value variabel yang telah ada atau
memodifikasi variabel yg sudah ada berdasarkan variabel lain.
 Analyze, digunakan untuk memilih berbagai prosedur analisa
statistik,
 Graphs, digunakan untuk menampilkan data berupa bar chart, pie
chart, histogram, scater plot dll.
 Utilities, digunakan untuk mengubah fonts, mengakses data,
menampilkan file info atau index dari perintah-perintah SPSS.
 Window, digunakan untuk mengatur, meilih dan mengontrol atribut
windows
 Help, berisi informasi bantuan yg berkaitan dengan SPSS for
windows.
 Dan tampilan berupa kolom <var> yang berarti variable dan baris <
1, 2, 3 dst> sperti pada gambar 3.3
APLIKASI KOMPUTER 9
Heading
variabel
Sheet data Sheet variable

Nomor
view view
cases
Gambar 3.1.4 Tampilan data pada SPSS
Untitled pada gambar 3.1.4 di atas menunjukkan bahwa belum ada data
untuk ditampilkan, selanjutnya kita akan membuka file data yang sudah
ada atau mau membuat data baru.
3.2 Menu File

Menu file merupakan menu pertama dari Data editor setiap membuka
program SPSS.
3.2.1 Membuat variable dan mengisi data
Data editor pada SPSS mempunyai dua bagian utama:
 Kolom, ditandai dengan kata var dalam setiap kolomnya. Kolom
dalam SPSS diisi dengan nama variable.
 Baris, ditandai dengan adanya angka 1, 2, 3 dan seterusnya. Baris
dalam SPSS diisi dengan kasus/responden.
 Sel, merupakan perpotongan antara kolom dan baris
menunjukkan nilai/data.
Contoh Kasus
Berikut adalah data berat badan 10 responden pria dan wanita yang
diambil secara acak. (berat dalam kilogram)
APLIKASI KOMPUTER 10
Kelamin
No Nama Berat (kg) 1=pria,
2=wanita
1 Iwan 60.5 1
2 Tina 50.0 2
3 Rosa 55.5 2
4 Budi 75.0 1
5 Anto 65.5 1
6 Lina 56.0 2
7 Dewi 58.0 2
8 Sugeng 70.0 1
9 Diana 45.5 2
10 Herman 68.5 1
Pertama kali yang dilakukan pada saat entry data adalah

memberi nama variabel. Satu variabel mewakili/melambangkan satu
pertanyaan. Agar tidak menemui kesulitan dalam membuat nama
variabel, berikut akan diuraikan ketentuan/persyaratan dalam membuat
nama variabel:
 Nama variabel maksimum berisi 8 huruf
 Nama variabel tidak boleh ada spasi
 Nama variabel tidak ada yang sama (tidak boleh ada 2 variabel
yang memiliki nama sama).
Sebelum membuat tabel di atas menjadi data yang siap diolah oleh
SPSS, bahwa tabel diatas berisi tiga macam variabel, yaitu: Nama, Berat
dan Kelamin. Di samping itu juga ada 10 data atau kasus.
Langkah-langkah memasukkan / entry data di SPSS
1. Setelah program SPSS diaktifkan dan data editor terbuka, maka
akan terlihat lajur kolom bertuliskan ‘var’ tempat untuk
menuliskan nama variabel dan lajur baris bertuliskan angka 1, 2,
3 dst tempat untuk responden / kasus.
Heading
variabel
Nomor
cases
Gambar 3.2.1 Tampilan Data Editor pada SPSS

2. Membuat nama variabel caranya :
a. Aktifkan Variable View dengan cara , klik tombol Variabel View
pada pojok kiri bawah. Setelah di klik variable view maka akan
muncul tampilan seperti di bawah (gambar 3.2.2).
Gambar 3.2.2 Tampilan Variable View pada SPSS

b. Name. untuk Memberikan nama variable. Penamaannya langsung
dengan cara mengisi nama variabel pada kolom Name yaitu
variabel nama, berat dan kelamin.
c. Type. Untuk menentukan type data pada kolom type diklik pada
bagian kanan kotak/kotak abu-abu untuk memunculkan tampilan
seperti di bawah ini.
Gambar 3.2.3 Tampilan Type Variabel
Keterangan :
 Numeric. merupakan tipe angka dengan tanda plus dan tanda
minus di depan angka serta indicator decimal. Maksimal 40
karakter.
 Comma. Harga yang valid termasuk angka, tanda plus dan tanda
minus didepan angka. Indicator decimal, dan tanda-tanda koma
pemisah ribuan.
 Dot. Tipe ini sama dengan tipe comma, yang membedakan
hanyalah pemisah ribuan yang digunakan adalah tanda titik.
 Scientific Notation. Harga valid sama dengan tipe numeric.
Merupakan tipe data yang menggunakan lambing atau notasi
ilmiah seperti log, alfa dll.
 Date. Tipe ini menampilkan data dalam format tanggal atau
waktu.
 Dollar. Harga yang valid adalah tanda dollar ($), sebuah titik
sebagai indicator decimal, dan beberapa tanda koma pemisah
ribuan.
 Custom Currency. Tipe ini digunakan untuk menampilkan format
mata uang seperti Rp. 1000,-
 String. Harga yang valid adalah huruf,angka dan karakter-
karakter lain.
Berdasarkan keterangan di atas, maka untuk variabel
nama, type variabel yang digunakan adalah string. Caranya bawa
kursor ketempat lingkaran kata ‘string’ kemudian klik pada
lingkaran tersebut
Gambar 3.2.4 Tampilan Type Variabe “Nama”l

untuk variabel berat dan kelamin tipe variabel numeric. Caranya
bawa kursor ketempat lingkaran pada kata ‘numeric’.
d. Width (Lebar kolom). Penentuan lebar kolom dapat diketik
langsung lebar kolom yang diinginkan. Pada contoh kasus di atas
jumlah nama paling banyak enam huruf, maka lebar kolom dapat
ditulis delapan. Untuk variable berat dan kelamin diisi enam.
e. Decimal (Desimal). Untuk menentukan jumlah decimal yang
diinginkan tinggal mengetik angka langsung pada kolom. Pada
variabel nama dan kelamin tidak ada decimal. Sedangkan variabel
berat ada satu decimal.
f. Label. Digunakan untuk memberikan keterangan dari tiap-tiap
variabel yang ada. Pada contoh kasus di atas isi pada kolom label
yaitu Nama responden. Untuk variabel berat labelnya adalah
berat badan responden dan variabel kelamin labelnya jenis
kelamin responden.
g. Value (Nilai). Digunakan untuk variabel dummy atau membuat
pengelompokkan misalnya tingkat pendidikan 1=SD 2=SMP
3=SMU 4=PT. pada contoh kasus di atas hanya variabel kelamin
yang harus diberi value label.
Caranya : Klik kotak sebelah kanan pada kolom Values dan baris
pada variabel kelamin sehingga muncul kotak dialog berikut.
Gambar 3.2.5 Tampilan Value Labels

Caranya : pada kotak value ketiklah 1, dan pada kotak value label
ketiklah pria

Kemudian klik tombol Add sehingga di bawah akan muncul tulisan “pria”
Setelah itu lakukan dengan cara yang sama pada kotak value
ketik 2, isikan pada kotak value label ketik wanita kemudian klik
tombol Add. Dan akhirnya tampilan seperti di bawah ini.

Setelah semua diberi value label klik continue. Lalu klik OK
sehingga anda kembali ke Data Editor, dan terbentuklah variable
kelamin. Anda tinggal mengisi datanya.
h. Missing (data hilang). Untuk data hilang terdapat tiga fasilitas
yaitu no missing value, discrete missing value dan range plus one.
Gambar 3.2.9 Tampilan Missing Value

i. Aligment. Merupakan pilihan didalam peletakan data pada posisi
rata kiri, kanan atau tengah.
j. Measure. Ada tiga macam data yaitu nominal merupakan data
diskrit yaitu data hasil menghitung, sedangkan scale dan ordinal
merupakan data kontinyu yaitu data hasil mengukur.
Hasilnya dapat dilihat di bawah ini.
Gambar 3.2.10 Tampilan Keterangan dari Tiap-tiap Variabel
Setelah tampilan Variable View sudah terisi, maka aktifkan Data

View untuk mengisi datanya dari tiap-tiap variable. Caranya klik
tombol Data View pada pojok kiri bawah, maka akan tampil kotak
dialog selanjutnya dengan mengisi datanya pada variable nama, berat
dan kelamin sehingga hasilnya dapat dilihat di bawah ini.
Gambar 3.2.10 Tampilan Datayang telah terisi pada Data View
Selanjutnya data base yang telah dimasukkan disimpan dalam

satu file.
Caranya : klik file, lalu klik save as, setelah perintah
penyimpanan ditampilkan selanjutnya diberi nama file:
“LATIHAN” dan diletakkan pada direktori tertentu.
Gambar 3.2.10 Tampilan Menyimpan File ‘LATIHAN’
Setelah data disimpan, untuk mengakhiri program SPSS for

windows dilakukan dengan cara : klik file dilanjutkan klik exit.
3.2.2 Mencetak Data

Data yang telah dientry pada SPSS dapat dicetak melalui menu PRINT.
Contoh Kasus:
Akan dicetak data yang ada pada File : LATIHAN.SAV
 Buka File: LATIHAN.SAV
 Bila file Latihan sudah terbuka pada data editor, klik menu File
lalu pilih Print…. Pada layer tampak pada gambar di bawah ini.
 Pada gambar di atas data akan dicetak dengan printer merk
Canon PIXMA iP1000. Jika jenis printer akan diubah, klik
Setup… kemudian sesuaikan spesifikasi printer.
 Jika semua data ingin dicetak, maka pilih All kemudian OK maka
semua data pada file akan dicetak.
3.2.3 Keluar dari SPSS

Bila seluruh kegiatan pada SPSS sudah selesai, untuk keluar dari SPSS
pada menu File pilih EXIT. Maka computer akan keluar dari program
SPSS. (Lihat gambar di bawah ini).
3.3 Menu Edit
Menu Edit digunakan untuk melakukan perbaikan atau perubahan pada
data yang telah dibuat.
3.3.1 Menghapus isi sel
 Pilih sel yang akan dihapus isinya dengan cara mengarahkan
kursor pada sel yang akan dihapus lalu klik
 Setelah itu tekan tombol delete pada keyboard
 Bila ingin menghapus sejumlah sel sekaligus, caranya bawa kursor
(blok) pada sejumlah sel yang akan dihapus dengan menggunakan
mouse.
 Pada tampilan diatas ada dua sel yang akan dihapus yaitu
pada variable berat dan nomor responden 5 dan 6.
 Setelah yakin isi sel tersebut ingin dihapus, tekan tombol
Delete pada keyboard.
3.3.2 Menghapus Isi Sel Satu Kolom (Satu Variabel)

Contoh kasus:
Ingin menghapus seluruh data pada variabel kelamin, maka langkahnya
adalah:
 Klik heading kolom pada variabel kelamin seperti pada tampilan
berikut:
 Untuk menghapus tekan tombol Delete pada keyboard.

3.3.3 Menghapus Isi Sel Satu Baris
Contoh kasus:
Ingin menghapus data pada responden nomor 4 atas nama Budi, maka:
 Klik nomor kasus yang akan dihapus, dalam hal ini kasus nomor
4.
 Untuk menghapus tekan tombol Delete pada keyboard.

3.3.4 Mengcopy Isi Sel
 Pilih sel atau sejumlah sel yang akan dicopy dengan cara Blok sel
tersebut
 Pilih menu Edit….. lalu klik copy
 Pindahkan kursor ketempat sel yang akan dituju
 Pilih menu Edit…. Lalu klik Paste.
3.3.5 Mengganti Isi Data

Contoh kasus:
Isi data pada variable Nama yaitu IWAN, akan diganti dengan ANDI
 Letakkan kursor pada sel IWAN (pada baris ke-1)
 Ketik ANDI lalu tekan Enter, maka nama sudah berubah.
 Jika setelah mengganti data, ternyata data tersebut akan
dikembalikan lagi, maka pilih menu Edit…. Lalu klik Undo,
maka nama IWAN akan kembali lagi.
3.4 Menu Data

Menu Data digunakan untuk melakukan berbagai pekerjaan seperti
menyisipkan variabel, menyisipkan kasus, menseleksi data, menggabung
file dan lain sebagainya.
3.4.1 Menyisipkan Variabel
Kasus:
Misal pada file LATIHAN, ingin menyisipkan variabel Umur berupa
umur responden. Variabel ini akan ditempatkan diantara variabel Nama
dan Berat.
 Letakkan kursor pada sembarang tempat di kolom variabel Berat.
 Pada menu Data kemudian klik Insert Variable. Maka akan
muncul kolom baru dengan nama var00002 yang merupakan
variabel baru.
 Untuk pengisian variabel ini (Name, Type dan lainnya) bisa
dengan cara mengaktifkan variable view pada sudut kiri
bawah. Cara pengisiannya bisa dilihat pada pembahasan
sebelumnya.
3.4.2 Menyisipkan Kasus

Kasus:
Pada File baru terisi 10 data, maka akan disisipkan data tambahan
(kasus) dengan nama Deden yang berada pada kasus nomor 7 (Dewi) dan
kasus nomor 8 (Sugeng).
 Letakkan kursor pada sembarang tempat di sel Sugeng (baris
nomor 8).
 Pada Menu Data….. kemudian klik Insert Cases. Maka akan
muncul baris kosong baru diantara nama Dewi dan Sugeng.
 Isi sel tersebut dengan nama Deden, lalu Enter.
3.4.3 Menseleksi Kasus
Pada kondisi tertentu kita hanya ingin mengolah dan menganalisis data
pada kasus tertentu, maka perlu dilakukan penseleksian data perintah
yang digunakan Select cases…..
Kasus:
Pada file akan digunakan data untuk pengerjaan statistic hanya pada
jenis kelamin laki-laki saja. Untuk itu tidak semua kasus ditampilkan,
namun hanya kasus dengan jenis kelamin laki-laki saja yang akan
tampil.
 Letakkan kursor pada sembarang tempat.
 Pada Menu Data. Kemudian Klik Select Cases….. tampil pada
layar:
Pada kolom Select ada beberapa pilihan:
 ALL CASES jika menseleksi untuk seluruh kasus
 IF jika seleksi berdasarkan kriteria tertentu
 RANDOM jika seleksi berdasarkan bilangan acak
 TIME/CASES RANGE jika seleksi berdasarkan range tertentu
 FILTER VARIABLE jika seleksi berdasarkan variable tertentu.
Pada kasus ini ingin menseleksi bagi mereka yang jenis kelamin laki-laki
saja, maka pilihan yang tepat adalah If Condition is Satisfied.
Selanjutnya klik pada tombol IF. Tampak dilayar seperti di bawah ini:
 Klik variable jenis kelamin, kemudian klik tanda panah hingga

variable jenis kelamin masuk ke kotak kosong di sebelah kanan
atas.
 Klik tanda ‘=’ yang terletak diantara kumpulan tanda matematika
maupun angka yang ada di bawah kotak pengisian, otomatis tanda
‘=’ akan tertulis dikotak.
 Ulangi dengan mengklik pada angka 1 sebagai kode laki-laki pada
variable jenis kelamin.
 Selanjutnya klik Continue dan OK. Maka tampak pada layer:
Pada kotak terlihat ada 5 data yang tidak terseleksi karena
mempunyai jenis kelamin perempuan.
3.4.4 Mengurutkan Data (Sort Cases)

Digunakan untuk mengurutkan data pada variabel tertentu dan dalam
jumlah data yang banyak.
Kasus:
Pada file LATIHAN akan diurutkan berdasarkan variable NAMA.
 Dari baris menu pilih menu Data.
 Kemudian klik pilihan Sort Cases….. tampak pada layer:
 Klik variable Nama, dan masukkan ke dalam kolom Sort by

dengan mengklik tombol panah kanan
 Klik pilhan Ascending. Selanjutnya klik OK. Maka tampak pada
layer dibawah.
Dari gambar di atas terlihat data sudah diurutkan berdasarkan
variabel Nama, secara otomatis data pada variabel berat dan kelamin
mengikuti variable nama yang bersangkutan.
3.5 Menu Transform

Menu Transform berfungsi untuk mentransform atau mengubah
data untuk keperluan tertentu /khusus.
3.5.1 Compute
Fungsi menu compute adalah untuk menambah variabel baru yang berisi
hasil perhitungan berdasarkan data dari variabel yang sudah ada
(variabel lama).
KASUS :
Ingin membuat variable baru yaitu variabel B.IDEAL berisi berat badan
ideal dengan menentukan nilai berat badan 90% dari berat badan
responden saat ini.
 Pilih menu Transform. Lalu klik pilihan Compute……
selanjutnya tampak pada gambar di bawah ini.
Pada Target Variable diisi dengan nama variabel baru yaitu B.Ideal.
maka ketik B.IDEAL selanjutnya klik tombol Type and Label, hingga
tampak pada gambar berikut:
 Pada kolom Label ketik Berat badan ideal responden.

 Pada kolom Type pilih Numerik, karena variabel B.Ideal hasil
ukurnya berupa angka.
 Setelah kedua kolom diisi, maka klik continue.
 Selanjutnya pada Numeric Expression ketik berat*0.9 seperti
pada gambar di bawah ini.
 Kemudian klik tombol OK maka hasil output tampak pada gambar
di bawah ini.
3.5.2 Count
Fungsi menu Count adalah untuk menghitung data dengan kriteria
tertentu.
KASUS :
Ingin menghitung jumlah pria yang mempunyai berat badan lebih dari
70 kg.
 Pilih menu Transform, lalu pilih Count…… tampak pada layar:
 Pada kotak Target Variable diisi dengan nama variable baru yaitu
: ketik pria
 Pada kotak Target Label berisi tentang keterangan variabel Pria,
ketik dengan label Jumlah Pria.
 Pada kotak Variables diisi dengan nama variabel Jenis Kelamin
(variabel yang sudah ada pada file), setelah itu tekan tombol
Define Values maka tampak pada layer :
 Karena variable jenis kelamin untuk pria dengan nilai 1, maka

ketik 1 pada kolom value, lalu ketik tombol Add, maka nilai 1
masuk ke kotak Value to Count (nilai yang akan dihitung).
 Selanjutnya klik tombol Continue.
 Untuk menuliskan berat badan diatas 70 kg, maka klik tombol IF
berada pada bagian tengah bawah. Selanjutnya tampak pada
layar:
 Klik pilihan Include if cases satisfies condition (masukkan
kasus yang memenuhi persyaratan), lalu ketik berat>70.
 Klik tombol Continue untuk melanjutkan, kemudian OK.
Analisis:
Dari hasil output di atas terlihat ada variable baru yaitu dengan nama
“PRIA” dan memuat jumlah pria yang mempunyai berat badan lebih dari
70 kg. Ternyata hanya ada 1 pria yang berat badannya lebih dari 70 kg
yaitu Budi.
3.5.3 Recode
Perintah Recode berfungsi untuk memberi kode ulang pada variable
dengan criteria tertentu.
KASUS :
Berat badan akan diklasifikasikan menjadi 3 kelompok yaitu: < 55 kg,
55-60 kg, dan >60 kg.
Langkah-langkahnya :
 Pilih menu Transform kemudian pilih Recode
 Pilih Into Different Variables, kemudian pindahkan variable
Berat ke kotak Numerik Variable  Output Variable, maka
akan tampil kotak dialog seperti berikut:
 Pada Output Variable, pada bagian Name ketiklah nama variable

baru yang akan dibuat dan bentuknya kategorik seperti BBKEL.
 Selanjutnya klik Change sehingga pada kotak Input Variable 
Output Variable terlihat Berat  BBKEL.
 Klik Option Old and New Value, nampak seperti pada gambar
dibawah. Pada kotak dialog tersebut ada beberapa isian yang
harus diisi. Secara garis besar ada 2 isian yaitu Old Value (nilai
lama yang akan direcode) dan New Value (nilai baru sebagai hasil
recode dari nilai lama).
 Sekarang kita akan merecode nilai BERAT < 55 kg menjadi

kode 1. Pindahkan kursor ke kotak Range:Lowes through,
ketiklah 54,9.
 Bawa kursor ke bagian kotak New Value, ketiklah 1 kemudian
klik Add.
 Pindahkan kursor ke kotak: Range:--through--, kita akan

merecode BERAT 55 s/d 60 menjadi kode 2. Pada 2 kotak
tersebut isilah 55 dan 60. Lalu pindahkan kursor ke kotak New
Value, ketiklah 2. Lalu klik Add.
 Klik pada bagian Range:--through highest. Kita akan melakukan
pengkodean BERAT > 60 kg menjadi kode 3. Pada kotak Range: --
through highest ketiklah 60,1. Lalu pindahkan kursor ke kotak
New Value, ketiklah 3. Klik Add.
 Selanutnya klik Continue, lalu klik OK.
4| PENGANTAR ANALISIS DATA
4.1 Prinsip Analisis Data

Setelah data dikumpulkan, diolah, disusun, dan disajikan dalam
bentuk tabel atau grafik maka timbul beberapa pertanyaan yang harus
dijawab. Misalnya, berapa nilai rata-rata kadar hemoglobin pada ibu
hamil? Setelah mengetahui nilai rata-rata , muncul pertanyaan baru
berapa variasi dari hasil pengukuran tersebut?. Untuk menjawab
berbagai pertanyaan yang timbul maka data tersebut harus dianalisis.
Analisis Data adalah proses penyederhanaan data ke dalam
bentuk yang lebih mudah dibaca dan diinterpretasikan. Dalam proses ini
seringkali digunakan statistic. Analisis data hendaknya diawali dengan
analisis yang sederhana agar dapat mengenal dengan baik data yang
dihadapi kemudian bila perlu dilanjutkan dengan analisis yang lebih
kompleks sesuai dengan tujuan penelitian.
Salah satu fungsi statistic adalah menyederhanakan data
penelitian yang jumlahnya besar menjadi informasi yang sederhana dan
lebih mudah untuk dipahami. Selain itu, statistic membandingkan hasil
yang diperoleh dengan hasil yang terjadi secara kebetulan (by chance),
sehingga memungkinkan peneliti untuk menguji apakah hubungan yang
diamati memang betul terjadi karena adanya hubungan sistematis
antara variabel-variabel yang diteliti, atau hanya terjadi karena
kebetulan.
Aplikasi ilmu statistik dapat dibagi dalam dua bagian :
 Statistik Deskriptif
Statistik deskriptif berusaha menjelaskan atau menggambarkan
berbagai karakteristik data, seperti berapa nilai rata-ratanya,
seberapa besar variasinya, dan lain-lain
 Statistik Induktif (Inferensial)
Statistik inferensial berusaha membuat keputusan, perkiraan atau
generalisasi tentang suatu populasi berdasarkan informasi yang
terkandung dari suatu sampel.
4.2 Tipe Data Statistik

Data dalam statistik berdasarkan tingkat pengukurannya dapat
dibedakan dalam empat jenis, yaitu :
4.2.1 Data kualitatif
Data kualitatif adalah data yang bukan berupa angka. Data
kualitatif mempunyai ciri tidak bisa dilakukan operasi matematika,
seperti penambahan, pengurangan, perkalian dan pembagian.
Data kualitatif terbagi menjadi dua:
a. Nominal
Data dengan tipe nominal merupakan data yang paling rendah
dalam level pengukuran data. Data nominal hanya mempunyai
sifat membedakan nilai datanya dan tidak tahu mana yang lebih
tinggi antara kedua nilai data tersebut. Misal : jenis kelamin
terdiri dari laki-laki dan perempuan.
b. Ordinal
Data ordinal juga termasuk data kualitatif namun mempunyai
level yang lebih tinggi daripada data nominal. Pada data ordinal
selain dapat membedakan nilai datanya juga sudah diketahui
tingkatan datanya apakah tinggi atau lebih rendah.
Misalnya : tingkat pendidikan, pangkat
4.2.2 Data Kuantitatif
a. Interval
Data interval menempati level pengukuran data yang lebih tinggi
dari data ordinal, karena selain urutannya bias bertingkat, urutan
tersebut juga bias dikuantitatifkan. Data interval tidak mempunyai
titik nol absolute.
Misalnya: suhu atau temperatur. Air membeku pada suhu 00
(derajat), pernyataan 0 derajat bersifat relatif, karena 0 0C hanya
sebagai tanda saja. Dalam pengukuran 0F, air membeku pada suhu
320 F.
b. Rasio
Data rasio adalah data yang tingkat pengukuran paling tinggi.
Data rasio adalah data bersifat angka dalam arti sesungguhnya
dan bias dioperasikan secara matematika. Data rasio mempunyai
titik nol absolut.
Misalnya: berat badan 0 berarti memang tanpa berat. Tinggi
badan, dan lain-lain.
4.3 Langkah-langkah Analisis Data

Beberapa langkah yang harus dilakukan dalam melakukan
analisis data:
4.3.1 Analisis univariat
Analisis univariat adalah langkah pertama yang perlu dilakukan
bagi seorang peneliti agar dapat diketahui bagaimana gambaran data
yang telah dikumpulkan.
Fungsi analisis univariat:
a. Melihat kelayakan data untuk analisis
b. Melihat bagaimana gambaran dari setiap variabel, untuk
memberikan peneliti wawasan tentang substansi yang didalami
sebelum melihat kaitannya dengan variabel lainnya.
c. Mempersiapkan variabel sehingga analisis berikutnya dapat
berjalan lebih mudah.
4.3.2 Analisis bivariat
Merupakan analisis untuk melihat hubungan antara 2 variabel.
Untuk mengetahui hubungan antara dua variabel biasanya
digunakan pengujian statistik. Jenis statistik yang digunakan
tergantung dari jenis data/variabel yang dihubungkan.
4.3.3 Analisis multivariat
Merupakan analisis yang menghubungkan antara beberapa
variabel independent dengan satu variabel dependen.
Latihan
Dalam latihan ini sudah dipersiapkan data sebagai berikut :
Satu penelitian tentang keadaan ibu hamil yang mendapat suplemen
tablet Fe, kemudian diukur kadar Hb nya pada sebelum dan setelah
mendapat suplemen Fe dan diikuti bagaimana output kehamilannya di
daerah “x”
NO. BBIBU UMUR SOSEK MEROKOK HIPERTEN HB1 HB2 BBBAYI
01 50 23 1 1 0 11.1 11.5 2425
02 55 17 2 1 0 9.5 10.2 2430
03 70 26 3 1 1 10.5 11.0 2442
04 48 20 3 0 1 10.0 10.0 2450
05 57 26 1 1 1 10.6 10.3 2466
06 46 14 3 1 1 10.9 10.5 2470
07 43 28 1 1 0 11.0 11.0 2460
08 46 14 1 1 1 10.8 11.0 2465
09 43 23 1 1 1 11.5 11.3 2495
10 65 27 2 0 1 12.0 11.8 2495
11 59 21 1 1 1 11.0 12.0 2490
12 83 19 2 0 0 10.9 11.0 2480
13 71 33 1 0 1 11.3 12.3 2525
14 48 20 1 1 0 12.0 12.5 2550
15 79 21 1 1 0 12.5 13.0 2558
16 78 18 1 1 0 12.3 12.6 2594
17 67 21 2 0 0 11.9 11.9 2600
18 77 17 3 0 0 12.9 12.9 3000
19 76 29 2 1 1 13.0 13.5 2900
20 84 22 3 0 0 12.7 12.9 2950
21 65 30 1 1 0 12.5 12.6 2600
22 70 33 2 0 0 12.6 12.7 2700
NO. BBIBU UMUR SOSEK MEROKOK HIPERTEN HB1 HB2 BBBAYI
23 60 40 3 0 1 10.6 11.0 2450
24 59 35 3 1 1 10.9 11.0 2400
25 67 35 2 1 0 11.0 11.0 2500
26 72 25 1 0 0 11.3 11.3 2700
27 75 28 1 0 1 10.8 10.9 2300
28 80 30 2 1 1 9.8 10.0 2450
29 82 32 3 1 0 13.0 12.9 2800
30 50 20 3 0 1 11.0 10.9 2500
Entri Data
Entri data dapat dilakukan langsung pada data editor, untuk memulai
entri data baru, layar kerja (windows data editor) pada SPSS
dikosongkan dahulu kemudian lakukan entri atau pengisian data.
Hal yang perlu diperhatikan adalah :
Baris menunjukkan kasus atau responden
Kolom menunjukkan variabel
Sel merupakan perpotongan antara kolom dan baris menunjukkan
nilai/data.
Pertama kali yang dilakukan pada entri data adalah memberi nama
variabel. Satu variabel mewakili satu pertanyaan artinya tidak boleh
mempunyai nama variabel yang sama. Agar tidak menemui kesulitan
dalam membuat nama variabel, berikut akan diuraikan persyaratan
nama variable:
Nama variabel maksimum 8 karakter
Nama variabel tidak boleh ada spasi
Nama variabel tidak ada yang sama (tidak boleh 2 variabel yang
memiliki nama sama).
Langkah-langkah entri data adalah sebagai berikut :
Klik file
Klik New
Klik data
Selanjutnya dapat mengisi data baru
Caranya adalah dobel klik pada Heading variable maka kita diminta
mengisi Name (nama variable) , tipe variabel (Type), berapa digit angka
yang akan dimasukkan (width), berapa desimal dibelakang angka
(decimal), keterangan dari variabel (label), nilai bila diperlukan pada
variabel yang dikategorikan, dan seterusnya. Untuk pindah ke kolom
berikunya tekan TAB pada keyboard. Kalau tidak diisi lewatkan saja.
Contohnya pada gambar berikut :
Bagaimana mengisi pada kolom Values ?

Klik pada … maka akan muncul kotak dialog seperti :
Cotoh pada gambar di atas adalah variabel sosek :

Kategori 1 artinya status soseknya rendah
Kategori 2 artinya status soseknya sedang
Kategori 3 artinya status soseknya tinggi
Caranya :
Ketik 1 pada Value Kemudian Tab, ketik rendah pada Value label
kemudian klik Add
Ketik 2 pada Value Kemudian Tab, ketik sedang pada Value label
kemudian klik Add
Ketik 3 pada Value Kemudian Tab, ketik tinggi pada Value label
kemudian klik Add
(Remove untuk menghapus)
Klik OK
Lakukan juga pada varibel :
Status merokok
Riwayat hipertensi
Hasil pengisian data di atas sampai selesai (30 data) hasilnya dapat
anda lihat pada window data editor seperti gambar di bawah ini :
Bagaimana tampilan bila label Aktif ?
Caranya Klik pada icon label, hasilnya lihat gambar berikut
Klik disini untuk

mengaktifkan
label
Cek kembali (editing) apakah data yang anda masukkan sudah benar-
benar sesuai dengan data sebenarnya ? Artinya tidak ada kesalahan
dalam entry data.
Apabila data sudah benar semua (cleaning) dapat selanjutnya data
tersebut dianalisis.
Ingat ! Data yang salah dapat mengakibatkan kesimpulan dan
interpretasi yang salah
Menyimpan File Data
Data yang telah dimaukkan dapat disimpan ke berbagai format data.

Secara pengaturan dasar, SPSS for Window akan menyimpan data
tersebut dengan format SPSS, bentuk format dicirikan dengan ekstensi
.SAV (nama file.SAV).
Untuk menyimpan data yang telah anda masukkan :

1. Pilih file, bawa kursor ke Save, seperti tampak pada gambar ini :
Pada tampilan di atas terdapat kotak dialog :

Save in : Anda diminta memilih direktori (drive A ploppy disk)
tempat menyimpan file, bila pada kotak Save in tidak dirubah berarti
data disimpan dalam direktori prOgram SPSS (drive C)
File name : Anda harus mengetikKan nama file di kotak ini. SPSS
akan menambah ekstensi SAV, sehingga anda cukup mengetikkan
nama filenya saja dan tidak perlu mengetikkan ekstensinya.
Save as type : Data dapat disimpan dalam berbagai macam format,
untuk data SPSS akan disimpan dengan format SAV.
Isilah nama file data diatas dengan nama “ibu hamil”, kemudian klik
save atau enter.
Mengedit Data
Menghapus isi sel
Pilih sel yang akan dihapus isinya, dengan klik pada mouse atau anak
panah pada keyboard (misalnya 9,5)
Tekan tombol delete pada keyboard
Untuk menghapus seluruh case/responden tekan nomor case/responden
(misalnya case nomor 9) yang akan dihapus, kemudian tekan delete.
Lihat gambar di bawah ini :
Klik di sini untuk Klik di sini

menghapus satu Klik di sini untuk untuk
case menghapus isi menghapus
sel satu variabel
 Menghapus isi sel dalam satu kolom (variabel)

1. Klik heading kolom (nama variabel) yang akan dihapus, misalnya
akan menghapus variabel bbbayi  seperti pada gambar di atas.
2. Tekan tombol delete, maka saTu variabel bbbayi akan terhapus.
 Menyisipkan kolom (variabel) :
1. Pindahkan penunjuk sel pada kolom yang akan disisipi
2. Klik Data, pilih Insert variavble maka kolom kosong akan muncul.
3. Lakukan pengisian nama variabel
 Menyisipkan baris (case/responden) :
1. Pindahkan penunjuk sel pada baris yang akan disisipi
2. Klik Data, pilih Insert Case maka baris kosong akan muncul
3. Lakukan pengisian nama Case/Responden
5| ANALISIS UNIVARIAT
Tujuan dari analisa ini adalah untuk menjelaskan karakteristik

masing-masing variabel yang diteliti. Dalam analisis data kualitatif kita
dihadapkan pada kumpulan data yang besar/banyak yang belum jelas
maknanya. Fungsi analisiS sebetulnya adalah penyederhanaan atau
meringkas kumpulan data hasil pengukuran sedemikian rupa sehingga
kumpulan data tersebut berubah menjadi informasi yang berguna.
Peringkasan tersebut dapat berupa ukuran-ukuran statistik, tabel dan
grafik.
Secara teknis pada dasarnya analisis merupakan kegiatan
meringkas data menjadi ukuran tengah dan ukuran variasi. Selanjutnya
membandingkan gambaran-gambaran tersebut antar satu kelompok
subjek dengan kelompok subjek lain, sesuai dengan tujuan yang ingin
dicapai dalam analisis. Berbicara peringkasan data (yang berujud
ukuran tengan dan ukuran variasi), jenis data (apakah numerik atau
katagori) akan sangat menentukan bentuk peringkasan datanya. Berikut
akan diuraikan bentuk/cara peringkasan data untuk data numerik dan
katagori.
Peringkasan Data untuk Data Jenis Numerik
1. Ukuran Tengah
Ukuran tengah merupakan cerminan dari konsentrasi dari nilai-nilai
hasil pengukuran. Berbagai ukuran dikembangkan untuk
mencerminkan ukuran tersebut dan paling sering dipakai adalah
mean, median dan mode/modus
a) Mean
Mean/average adalah ukuran rata-rata yang merupakan hasil bagi
dari jumlah semua nilai pengukuran dibagi oleh banyaknya
pengukuran. Secara sederhana perhitungan mean dapat ditulis
dengan rumus :
X 
x i
n
Keuntungan nilai rata-rata adalah mudah menghitungnya dan
sudah melibatkan seluruh data dalam perhitungannya. Namun
kelemahan dari nilai mean adalah, nilai mean sangat dipengaruhi
oleh nilai data yang ekstrim, baik ekstrim tinggi maupun ektrim
rendah. Oleh karena itu pada kelompok data yang nilai
ekstrimnya (sering dikenal dengan distribusi data yang
menceng/miring), mean tidak dapat mewakili rata-rata kumpulan
nilai pengamatan. Sebagai contoh klasik data yang ada nilai
ekstrimnya adalah data penghasilan. Apabila mean pendapatan
per bulan 10 juta, sebenarnya sebagian orang pendapatannya
dibawah 10 juta. Mean 10 juta diperoleh karena tarikan
sekelompok kecil orang (misalnya konglomerat) yang
pendapatannya sangat tinggi. Dengan demikian penggunaan
mean untuk data yang tidak ada nilai ekstrimnya kurang tepat.
b) Median
Median adalah nilai dimana setengah banyaknya pengamatan
mempunyai nilai dibawahnya dan setengah lagi mempunyai nilai
diatasnya. Berbeda dengan nilai mean, perhitungan median hanya
mempertimbangkan urutan nilai hasil pengukuran, besar beda
antar nilai diabaikan. Karena mengabaikan besar beda , maka
median tidak dipengaruhi oleh nilai data yang ekstrim. Prosedur
perhitungan median adalah :
- Data diurutkan dari nilai terkecil ke yang besar atau
sebaliknya
- Hitung posisi median dengan rumus = (n+1)/2
- Hitung nilai mediannya.
c) Mode/modus
Mode adalah nilai pengamatan yang sering mempunyai
frekuensi/jumlah terbanyak.
Hubungan mean, median dan mode
Hubungan nilai mean, median dan mode akan menentukan
bentuk distribusi data :
 Bila nilai mean, median dan mode sama, maka bentuk
distribusi datanya normal
 Bila nilai mean > median > mode, maka bentuk distribusi
datanya menceng/miring kanan.
 Bila nilai mean < median < mode, maka bentuk distribusi
datanya menceng/miring kiri.
2. Ukuran variasi/penyebaran
Nilai-nilai hasil pengamatan akan cenderung saling berbeda satu
sama lain atau dengan kata lain hasil pengamatan akan bervariasi.
Untuk mengetahui seberapa jauh data bervariasi digunakan ukuran
variasi/penyebaran. Terdapat beberapa jenis ukuran variasi antara
lain range, jarak inter kuartil dan standar deviasi.
a) Range
Range merupakan ukuran variasi yang paling besar, dihitung dari
selisih nilai terbesar dengan nilai terkecil. Kelemahan range
adalah dipengaruhi oleh nilai ekstrim. Keuntungan perhitungan
dapat dilakukan dengan cepat.
b) Jarak Inter Kuartil
Nilai observasi disusun berurutan dari nilai kecil ke besar,
kemudian ditentukan kuartil bawah dan atas. Kuartil merupakan
pembagian data menjadi 4 bagian yang dibatasi oleh tiga ukuran
kuartil yaitu kuartil I, kuartil II dan kuartil III. Kuartil I
mencakup 25 % data berada dibawahnya dan 75 % data berada
diatasnya. Kuartil II (median) mencakup 50 % data berada
dibawahnya dan 50 % data berada diatasnya. Kuartil III
mencakup 75 % data berada dibawahnya dan 25 % data berada di
atasnya.
c) Standar deviasi
Variasi data yang diukur melalui penyimpangan/deviasi dari nilai-
nilai pengamatan terhadap nilai meannya. Rat-rata hitung dari
kuadrat terhadap mean disebut varian.
Rumusnya :
 xi  x 
2
Varian 
n
Semakin besar nilai varian akan semakin bervariasi. Karena
satuan varian (kuadrat) yang tidak sama dengan satuan nilai
pengamatan, maka dikembangkan suatu ukuran variasi yang
mempunyai satuan yang sama dengan pengamatan yaitu standar
deviasi (S). Standar deviasi merupakan akar dari varian.
5.1.Analisis Univariat (Data katagori) :

Langkah untuk melakukan analisis univariat menggunakan data
kategori dengan SPSS adalah sebagai berikut :
 Klik pada Descriptive Statistics . Kemudian akan muncul pilihan
antara lain:
 Frequencies
 Decriptives
 Explore
 Crosstabs
Klik pada Frequencies, maka akan muncul kotak 2 dialog :
Kotak dialog paling kiri berisi semua variabel yang ada pada data kita
yang sudah di entry, kemudian kotak dialog paling kanan berisikan
variabel yang kita akan pilih, sebagi contoh : Klik varibel merokok
kemudian klik tanda panah kanan; klik sosek kemudian klik tanda
panah kanan. Kemudian OK
Seperti gambar berikut
Hasil dari analisa frequensi ditampilkan pada jendela OUTPUT sebagai

berikut :
Frequencies
Statistics
MEROKOK SOSEK
N Valid 30 30
Missing 0 0
Frequency Table
MEROKOK
Cumulative
Valid 0 12 40.0 40.0 40.0
1 18 60.0 60.0 100.0
Total 30 100.0 100.0
SOSEK
Cumulative
Valid 1 13 43.3 43.3 43.3
2 8 26.7 26.7 70.0
3 9 30.0 30.0 100.0
Total 30 100.0 100.0
Untuk menampilkan frequensi dan grafik pada variabel Sosek adalah

sebagai berikut :
1. Pada data Editor pilih Analyasis, pilih Descriptive Statistics,
pilih Prequensi seperti pada gambar di bawah ini
2. Maka akan muncul kotak dialog :
Klik disini
untuk mengisi Klik disini
variabel untuk
memilih
jenis charts
3. Menggunakan mouse pilih sosek, kemudian masukkan dalam

kotak variable dengan menekan panah kanan pada kotak dialog.
4. Pilih Charts, maka akan muncul kotak dialog mengenai Type
charts
5. Pilih Pie charts, pilih Percentages kemudian Klik Continue atau
pilih charts yang sesuai dengan keinginan
Maka tampilan pada window out put adalah :
Frequencies
Statistics
SOSEK
N Valid 30
Missing 0
SOSEK
Cumulative
Valid 1 13 43.3 43.3 43.3
2 8 26.7 26.7 70.0
3 9 30.0 30.0 100.0
Total 30 100.0 100.0
Grafik pie
SOSEK
Analisa data :
Dari data tersebut diperoleh informasi bahwa sebagian besar status
sosial pada ibu-ibu yang menjadi responden adalah 1 (rendah) sebesar
43,3 % sisanya mempunyai status sedang (26,7 %) dan sosial tinggi (30
%)
Contoh lain dari analisa univariat adalah Status sosial dan Status
merokok, hasil pada window output adalah :
Frequencies
Statistics
SOSEK MEROKOK
N Valid 30 30
Missing 0 0
Frequency Table
SOSEK
Cumulative
Valid 1 13 43.3 43.3 43.3
2 8 26.7 26.7 70.0
3 9 30.0 30.0 100.0
Total 30 100.0 100.0
MEROKOK
Cumulative
Valid 0 12 40.0 40.0 40.0
1 18 60.0 60.0 100.0
Total 30 100.0 100.0
Bar Chart
SOSEK
50
40
30
20
10
Percent
0
1 2 3
SOSEK
MEROKOK
70
60
50
40
30
20
Percent
10
0
0 1
MEROKOK
5.2. Analisis Univariat (Data Numerik)

Telah dijelaskan di atas bahwa analisis univariat untuk data numerik
berupa : Ukuran tengan yang meliputi mean, median, Mode/modus,
ukuran variasi/penyebaran (range, jarak inter kuartil, standar deviasi)
Untuk menampilkan frekuensi dan grafik pada variabel Sosek adalah
sebagai berikut:
1) Pada data Editor pilih Analyze, pilih Descriptive Statistics, pilih
Frequencies seperti pada gambar di bawah ini
2) Maka akan muncul kotak dialog seperti di bawah ini :
Klik disini
untuk mengisi
variabel
Klik disini untuk

memilih jenis
statistik
3) Menggunakan mouse pilih Hb1, kemudian masukkan dalam kotak
variable dengan menekan panah kanan pada kotak dialog.
4) Pilih Statistics, maka akan muncul kota dialog yang perlu diisi
sebagai berikut :
Klik disini untuk

memilih jenis
statistik (median)
5) Pilih statistik yang dikehendaki misalnya : Mean, Median,

Std.deviation, Variance, Minimum, Maximum, Skewness
dengan cara mengklik menggunakan mouse. Kemudian klik
Continue
6) Pilih Charts untuk menampilkan grafik, maka akan muncul kotak
dialog mengenai Type charts
7) Pilih Histogram kemudian Klik With normal curve, pilih Continue
8) Pilih OK
Maka tampilan pada window out put adalah :
Frequencies
Statistics
HB1
N Valid 30
Missing 0
Mean 11.397
Median 11.050
Std. Deviation .968
Variance .936
Skewness .129
Std. Error of Skewness .427
Minimum 9.5
Maximum 13.0
HB1
Cumulative
Valid 9.5 1 3.3 3.3 3.3
9.8 1 3.3 3.3 6.7
10.0 1 3.3 3.3 10.0
10.5 1 3.3 3.3 13.3
10.6 2 6.7 6.7 20.0
10.8 2 6.7 6.7 26.7
10.9 3 10.0 10.0 36.7
11.0 4 13.3 13.3 50.0
11.1 1 3.3 3.3 53.3
11.3 2 6.7 6.7 60.0
11.5 1 3.3 3.3 63.3
11.9 1 3.3 3.3 66.7
12.0 2 6.7 6.7 73.3
12.3 1 3.3 3.3 76.7
12.5 2 6.7 6.7 83.3
12.6 1 3.3 3.3 86.7
12.7 1 3.3 3.3 90.0
12.9 1 3.3 3.3 93.3
13.0 2 6.7 6.7 100.0
Total 30 100.0 100.0
HB1
12
10
Frequency
2 Std. Dev = .97
Mean = 11.40
0 N = 30.00
9.50 10.00 10.50 11.00 11.50 12.00 12.50 13.00
HB1
Interpretasi Hasil :
Dari 30 responden yang diukur kadar Hb pertama maka diperoleh data
tentang kadar Hb terendah 9,50 g/dl dan tertinggi 13,00 g/dl dengan
rata-rata 11,397 g/dl. Simpangan baku dari pengukuran adalah 0,968
dan data pengukuran mendekati kurva normal.
6| ANALISIS BIVARIAT
Setelah diketahui karakteristik masing-masing variabel dapat

diteruskan ke analisis lebih lanjut. Apabila diinginkan analisis hubungan
antar dua variabel, maka analisis dilanjutkan pada tingkat bivariat.
Untuk mengetahui hubungan dua variabel tersebut biasanya digunakan
prosedur pengujian statistik atau uji hipotesa.
Uji statistik dapat berguna untuk membantu pengambilan
keputusan tentang apakah suatu hipotesis yang diajukan, seperti
perbedaan atau hubungan, cukup meyakinkan untuk ditolak (Ho) atau
tidak ditolak. Keyakinan ini didasarkan pada besarnya peluang untuk
memperoleh hubungan tersebut (peluang adanya by chance). Semakin
kecil peluang (peluang adanya by chance) tersebut maka semakin besar
keyakinan bahwa hubungan tersebut memang ada.
Berikut ini adalah beberapa uji statistik yang dapat dijadikan pedoman
untuk analisis bivariat :
Varibel Variabel Uji Statistik yang Digunakan
Independen Dependen
Kategori Kategori Chi Square/Fisher exact
Kategori Numerik  Uji T  Kategorinya (atribut) 2
 Independen
 Dependen
 Anova  kategorinya (atribut) > 2
Numerik Numerik  Korelasi
 Regresi
6.1. Uji Chi Square
Latihan
Suatu penelitian ingin mengetahui apakah ada perbedaan ibu yang
merokok dan tidak merokok terhadap kejadian hipertensi pada ibu
hamil. Variabel merokok berisikan status merokok (1) dan tidak merokok
(0), sedangkan variabel hipertensi berisikan kejadian hipertensi (1) dan
tidak hipertensi (0). Lakukan uji Hipotesis dengan tingkat kemaknaan 5
% ( 0,05). Untuk mengerjakan soal ini gunakan file ibu hamil.sav
Langkah penggunaan program SPSS adalah sebagai berikut :
1) Pastikan anda pada data editor ibu hamil.sav
2) Dari menu SPSS pilih Analyse, pilih Descriptive statistics, pilih
Crosstab seperti pada gambar berikut ini :
3) Kemudian akan muncul kotak dialog, pilih hiperten pada kotak kiri,
klik tanda panah kanan untuk memasukkan pada kotak kanan (Row),
kemudian pilih merokok pada kotak kiri, klik tanda panah kanan
untuk memasukkan pada kotak kanan (Column) seperti ini
Variabel
independen
Dependen
Variabel
dependen
4) Pilih Statistics, pilih Chi square kemudian klik Continue

5) Klik OK. Hasilnya pada window out put seperti dibawah ini :
Crosstabs
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
HIPERTEN * MEROKOK 30 100.0% 0 .0% 30 100.0%
HIPERTEN * MEROKOK Crosstabulation
Count
MEROKOK
0 1 Total
HIPERTEN 0 6 9 15
1 6 9 15
Total 12 18 30
Chi-Square Tests
Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square .000b 1 1.000
Continuity Correctiona .000 1 1.000
Likelihood Ratio .000 1 1.000
Fisher's Exact Test 1.000 .645
Linear-by-Linear
.000 1 1.000
Association
N of Valid Cases 30
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is
6.00.
Hasil uji chi square dapat dilihat pada kotak Chi Square Test.
Dari print out muncul dengan beberapa bentuk angka sehingga
menimbulkan pertanyaan angka yang mana yang kita pakai? Apakah
Pearson, Continuity corection, Likelihood, Fisher’s Exact Test atau Linier
by Linier Association.
Aturan yang berlaku pada uji Chi square adalah sebagai berikut :
 Bila tabel 2 X 2 dijumpai nilai E (harapan) < 5 lebih dari 20 %, maka
uji yang digunakan adalah Fhiser Exact test
 Bila pada tabel 2 X 2 dan tidak ada nilai E < 5, maka uji yang dipakai
sebaiknya Continuity corection.
 Bila tabel lebih dari 2 X 2, mialnya 3 X 2, 3 X 3 dll maka
menggunakan uji Pearson Chi Square.
 Uji Likelihood Ratio dan Linier by Linier Association biasanya
digunakan untuk keperluan lebih spesifik misalnya untuk analisis
stratifikasi pada bidang epidemiologi dan juga untuk mengetahui
hubungan linier antara dua variabel kategori, sehingga kedua jenis
ini jarang digunakan.
Interpretasi dari data di atas adalah :
Uji chi square yang sudah dikoreksi, kita gunakan Contituity corection
dengan p value dapat dilihat pada kolom (Asymp.Sig 2 side). Dengan
demikian p value lebih besar dari  (0,05) sehingga keputusan statistic
kita menerima Ho. Kesimpulan yang dapat diambil adalah tidak ada
perbedaan kejadian hipertensi pada kelompok ibu hamil yang merokok
dengan yang tidak merokok.
Latihan
Suatu penelitian ingin mengetahui apakah ada perbedaan usia ibu
terhadap kejadian hipertensi pada ibu hamil. Variabel usia berisikan
usia muda (1), usia dewasa (2) dan usia tua (3), sedangkan variabel
hipertensi berisi berisikan kejadian hipertensi (1) dan tidak hipertensi
(0). Lakukan uji Hipotesis dengan tingkat kemaknaan 5 % ( 0,05).
Untuk mengerjakan soal ini gunakan file ibu hamil.sav
Dari soal di atas :
 Buatlah Hipotesa
 Buat keputusan statistik
 Buat kesimpulan
Pada Hasil Window Output di bawah ini

Crosstabs
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
HIPERTEN * UMURKEL 30 100.0% 0 .0% 30 100.0%
HIPERTEN * UMURKEL Crosstabulation
Count
UMURKEL
Muda dewasa Tua Total
HIPERTEN tdk hipertensi 4 8 3 15
hipertensi 2 10 3 15
Total 6 18 6 30
Chi-Square Tests
Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square .889a 2 .641
Likelihood Ratio .902 2 .637
Linear-by-Linear
Association .322 1 .570
N of Valid Cases 30
a. 4 cells (66.7%) have expected count less than 5. The
minimum expected count is 3.00.
Risk Estimate
Value
Odds Ratio for
a
HIPERTEN (tdk
hipertensi / hipertensi)
a. Risk Estimate statistics cannot be computed. They
are only computed for a 2*2 table without empty cells.
6. 2. Analisis Hubungan Data Katagori dengan Numerik (Uji t)

Dibidang kesehatan sering kali kita menarik kesimpulan apakah
parameter dua populasi berbeda atau tidak, misalkan :
 Apakah ada perbedaan tekanan darah penduduk dewasa kota dengan
orang desa.
 Apakah ada perbedaan berat badan antara sebelum dan setelah
mengikuti program diet.
Uji statistik yang membandingkan mean dua kelompok data ini
disebut uji beda dua mean. Pendekatan ujinya menggunakan pendekatan
distribusi Z dan distribusi t. Untuk aplikasi penelitian biasanya
digunakan pendekatan distribusi t, sehingga uji beda dua mean lebih
sering digunakan uji t.
Sebelum kita melakukan uji statistik dua kelompok data, kita
perlu memperhatikan apakah dua kelompok data tersebut berasal dari
dua kelompok yang independen atau berasal dari dua kelompok yang
dependen/pasangan. Dikatakan kedua kelompok data independen bila
data kelompok yang satu tidak tergantung dari kelompok data kedua,
misalnya membandingkan mean tekanan darah sistolik orang desa
dengan orang kota. Tekanan darah orang desa tidak dipengaruhi oleh
tekanan darah orang kota.
Kedua kelompok dikatakan dependen/pasangan bila kelompok
data yang dibandingkan datanya saling mempunyai ketergantungan,
misalnya data berat badan sebelum dan sesudah mengikuti program diet
berasal dari orang yang sama (data sesudah dependen/tergantung
dengan data sebelumnya.
Berdasarkan karakteristik data tersebut maka uji beda dua mean dibagi
menjadi dua kelompok yaitu : Uji beda mean independen (Uji t
independen) dan uji beda mean dependen (Uji t dependen/pasangan)
6.2.1 Uji t Dependen (Paired Sampel)

Tujuan uji T dependen untuk menguji perbedaan antara dua kelompok
data yang dependen. Syarat mengguakan uji T adalah :
 Distribusi data normal
 Kedua kelompok data dependen pair
 Jenis variabel : numerik dan katagori (dua kelompok)
Latihan
Sebagai contoh penelitian ingin mengetahui apakah ada perbedaan
kadar Hb sebelum diberikan suplemen tablet Fe dan kadar Hb 1 bulan
setelah diberikan suplemen tablet Fe pada ibu hamil yang berkunjung
ke Puskesmas. Tingkat kemaknaan 5 % ( = 0,05 )
Lakukan uji t paired dependen pada file ibu hamil .sav
Langkah-langkah
2) Pilih analyze, pilih Compare Means, pilih Paired Samples T Test
seperti tampak pada gambar berikut :
9) Kemudian akan muncul kotak dialog seperti di bawah ini :
10)Klik Hb1 sebagai variabel 1 dan Hb2 sebagai variabel 2 kemudian

klik tanda panah kanan untuk memasukkan pada kotak sebelah
kanan.
11)Maka selanjutnya kotak sebelah kanan akan terisi dua variabel Hb1
dan Hb2 seperti pada gambar berikut :
12)Klik options untuk mengisi Confidence Interval, isikan 95 %
kemudian klik Continue seperti tampak pada gambar :
13)Sejenak kemudian pada window output akan muncul hasil analisis

yang kita inginkan tadi seperti di bawah ini :
T-Test
Paired Samples Statistics
Std. Error
Mean N Std. Deviation Mean
Pair HB1 11.397 30 .968 .177
1 HB2 11.583 30 1.002 .183
Paired Samples Correlations
N Correlation Sig.
Pair 1 HB1 & HB2 30 .941 .000
Paired Samples Test
Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 HB1 - HB2 -.187 .341 6.228E-02 -.314 -5.93E-02 -2.997 29 .006
Interpretasi hasil analisis statistik di atas adalah :

Sebelum diberikan suplemen Fe kadar Hb ibu rata-rata 11,397 g/dl
dengan standar deviasi 0,968 dan setelah dilakukan suplemen Fe kadar
Hb rat-rata ibu 11,583 g/dl dengan standar deviasi 1,002.
Pada tabel kedua uji t, terlihat rat-rata (mean) perbedaan antara
pengukuran pertama dan kedua adalah 0,187 dengan standar deviasi
0,34. Perbedaan ini diuji dengan uji t berpasangan menghasilkan nilai p
yang dapat dilihat pada kolom sig. (2-tailed). Nilai p = 0,006 maka
keputusan statistik adalah tolak Ho dan disimpulkan ada perbedaan
yang signifikan antara kadar Hb sebelum dan setelah diberikan
suplemen tablet Fe pada ibu hamil.
6.2.2. Uji t Independen (Independent Samples T Test)

Tujuan dari uji t indenpenden adalah untuk mengetahui perbedaan
mean kedua data independen.
Syarat/asumsi yang harus dipenuhi mengguakan uji t independen adalah
:
 Data berdistribusi normal/simetris
 Kedua kelompok data independen
 Variabel yang dihubungkan berbentuk numerik dan katagori
(variabel katagori dengan hanya dua kelompok)
Prinsip pengujian dua mean adalah melihat perbedaan variasi
kedua kelompok data. Oleh karena itu dalam pengujian ini diperlukan
informasi apakah varian kedua kelompok yang diuji sama atau tidak.
Bentuk varian kedua kelompok data akan bepengaruh pada nilai standar
error yang akhirnya akan membedakan rumus pengujiannya.
Latihan
Contoh uji t independen adalah :
Suatu penelitian ingin mengetahui apakah ada perbedaan kejadian berat
badan bayi yang dilahirkan pada ibu yang mempunyai riwayat hipertensi
dan tidak mempunyai riwayat hipertensi.
Uji hipotesis tersebut dengan uji t independen dengan tingkat
kemaknaan 5% ( 0,05). Untuk mengerjakan soal ini gunakan file ibu
hamil.sav
Langkah-langkah melakukan uji t independen menggunakan SPSS

adalah sebagai berikut :
2) Pilih analyze, pilih Compare Means, pilih Independent Sampel T Test
seperti tampak pada gambar di bawah ini :
3) Maka kemudian akan muncul kotak dialog yang perlu diisi seperti
pada gambar dibawah ini :
4) Pada kotak sebelah kiri terdapat beberapa variabel, pertama pilih
variabel bbbayi sebagai variabel tes, klik tanda panah kanan
kemudian bbbayi masuk dalam kotak sebelah kanan/test variabel.
Kedua pilih hiperten sebagai variabel group, klik pada tanda panah
kanan kemudian hiperten masuk dalam kotak Grouping Variables.
5) Berikutnya klik Define Grouping. Maka kotak dialog akan muncul

seperti berikut :
6) Isikan angka 0 (nol) artinya tidak punya riwayat hipertensi pada

group 1, pindahkan dengan menggunakan mouse pada group 2,
kemudian isikan angka 1, artinya ada riwayat hipertensi. Klik
continue
7) Klik OK, sejenak hasil analisis akan tampak pada window output
seperti di bawah ini :
T-Test
Group Statistics
Std. Error
HIPERTEN N Mean Std. Deviation Mean
BBBAYI tdk hipertensi 15 2623.13 177.74 45.89
hipertensi 15 2486.53 125.98 32.53
Independent Samples Test
Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
BBBAYI Equal variances
3.552 .070 2.428 28 .022 136.60 56.25 21.37 251.83
assumed
Equal variances
not assumed 2.428 25.232 .023 136.60 56.25 20.80 252.40
Interpretasi hasil analisis di atas adalah :

Berat badan bayi yang dilahirkan pada ibu yang tidak mempunyai
riwayat hipertensi rata-rata adalah 2623,13 gram dengan standar
deviasi 177,74 gram dan standar error mean 45,89, sedangkan berat
badan bayi yang dilahirkan pada ibu yang mempunyai riwayat hipertensi
rata-rata adalah 2486,53 gram dengan standar deviasi 125,98 gram dan
standar error mean 32,53.
Bagaimana cara mengambil keputusan statistiknya ?
Hasil uji t independent sample test pada tabel dibawahnya tampil dua
uji t yaitu uji t dengan asumsi varians kedua kelompok sama (equal
variances assumed) dan uji t dengan asumsi varian dua kelompok tidak
sama (equal variances not assumed).
Untuk memilih uji mana yang akan dipakai, dapat dilihat uji kesamaan
varian melalui uji Levene. Lihat nilai p dari levene test, bila nilai p < 
(0,05) maka varian berbeda, dan bila nilai p >  (0,05) maka varian sama.
Pada uji Levene di atas menghasilkan nilai p = 0,461 berarti varian
kedua kelompok adalah sama.
Jadi kita sekarang melihat uji t untuk varian sama (equal) :

Dari data di atas didapat nilai p = 0,070, sehingga keputusan
statistiknya adalah terima Ho. Kesimpulan dari uji t independen di atas
adalah tidak ada perbedaan berat badan bayi yang dilahirkan pada ibu-
ibu yang mempunyai riwayat maupun yang tidak mempunyai riwayat
hipertensi.
Latihan berikut silahkan diinterpretasikan hasil analisis di bawah ini :
T-Test
Group Statistics
Std. Error
MEROKOK N Mean Std. Deviation Mean
BBBAYI tdk merokok 12 2595.83 208.53 60.20
merokok 18 2527.50 131.17 30.92
Independent Samples Test
Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed)
DifferenceDifference Lower Upper
BBBAYIEqual variances
assumed 3.171 .086 1.105 28 .279 68.33 61.83 -58.33 195.00
Equal variances
not assumed 1.010 16.811 .327 68.33 67.67 -74.57 211.23
Buatlah :
 Interprtasi pada group statistik
 Uji t yang benar
 Keputusan statistik
 Kesimpulan
6.3. Analisis Hubungan Data Katagori dengan Numerik (Anova)

Sebelumnya telah dijelaskan uji beda dua mean pada dua
kelompok data baik yang independen maupun yang dependen. Namun
seringkali kita jumpai jumlah kelompok yang lebih dari dua, misalnya
inging mengetahui perbedaan mean berat badan bayi untuk daerah
Muba, OKI dan Mura. Dalam menganalisis data seperti ini (lebih dari
dua kelompok) sangat tidak dianjurkan menggunakan uji t. Kelemahan
menggunakan uji t adalah :
 Kita melakukan pengujian berulang kali sesuai dengan kombinasi
yang mungkin.
 Bila melakukan ujit t berulang kali akan meningkatkan (inflasi)
nilai , artinya akan meningkatkan peluang hasil yang keliru.
Perubahan inflasi nilai  sebesar = 1 – (1-)n
Untuk mengatasi masalah tersebut maka uji statistik yang dianjurkan
dalam menganalisis beda lebih dari dua mean adalah uji Analyze of
Variance (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
perbadingan kedua varian sama dengan 1) maka mean-mean yang
dibandingkan tidak ada perbedaan. Sebaliknya bila hasil perbandingan
kedua varian tersebut menghasilkan nilai lebih dari 1, maka mean yang
dibandingkan menunjukkan ada perbedaan.
Analisis varian mempunyai dua jenis yaitu analisi varian satu faktor
(one way) dan analisis varian dua faktor (two way). Pada bahasan buku
ini pembahasannya dibatasi hanya pada analisis varian satu faktor (one
way).
Beberapa asumsi yang harus dipenuhi pada uji Anova yaitu :

 Varian Homogen
 Sampel/kelompok independen
 Data berdistribusi normal
 Jenis data yang dihubungkan adalah : Numerik dengan Katagori
(untuk katagori yang lebih dari 2 kelompok).
Latihan
Contoh kasus yang dapat menggunakan uji Anova adalah :
Apakah ada perbedaan bayi yang dilahirkan oleh ibu yang mempunyai
status ekonomi berbeda. Variabel katagorik status ekonomi dibagi
menjadi 3, yaitu 1 adalah status ekonomi rendah, 2 adalah status
ekonomi sedang dan 3 adalah status ekonomi tinggi. Gunakan tingkat
kemaknaan 5 % ( 0,05).
Untuk mengerjakan soal ini gunakan file ibu hamil.sav
Langkah-langkah penyelesain dengan SPSS adalah sebagai berikut :

2) Pilih Analyze, pilih Compare Means, pilih One Way Anova seperti
tampak pada gambar di bawah ini
3) Selanjutnya akan muncul kotak dialog yang perlu diisikan seperti
pada gambar berikut :
4) Berikutnya pilih variabel dependen pada kotak sebelah kiri dengan

menggunakan mouse yaitu bbbayi dan klik, kemudian klik tanda
panah kanan untuk memasukkan di kotak Dependent list sebelah
kanan.
5) Pilih variabel katagori yaitu sosek pada kotak sebelah kiri
menggunakan mouse dan klik, kemudian klik tanda panah kanan
untuk memasukkan di kotak Factor sebelah kanan. Hasilnya akan
tampak seperti pada gambar di bawah ini :
6) Klik Option, kemudian tandai  pada kotak Descriptive seperti pada
gambar di bawah ini :
7) Klik Continue
8) Klik Posh Hoc, kemudian akan muncul kotak dialog, lalu tandai 
pada Bonferroni seperti pada gambar di bawah ini,:
9) Klik Continue
10)Klik OK.
Maka pada window output akan muncul hasil analisis data tersebut
seperti di bawah ini :
Oneway
Descriptives
BBBAYI
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
rendah 13 2509.85 97.38 27.01 2451.00 2568.69 2300 2700
sedang 8 2569.38 160.05 56.59 2435.57 2703.18 2430 2900
tingg 9 2840.00 258.17 86.06 2641.56 3038.44 2495 3205
Total 30 2624.77 222.79 40.68 2541.57 2707.96 2300 3205
ANOVA
BBBAYI
Sum of
Squares df Mean Square F Sig.
Between Groups 613161.8 2 306580.900 10.018 .001
Within Groups 826317.6 27 30604.354
Total 1439479 29
Post Hoc Tests
Multiple Comparisons
Dependent Variable: BBBAYI

Bonferroni
Mean
Difference 95% Confidence Interval
(I) SOSEK (J) SOSEK (I-J) Std. Error Sig. Lower Bound Upper Bound
rendah sedang -59.53 78.61 1.000 -260.18 141.12
tingg -330.15* 75.86 .001 -523.78 -136.53
sedang rendah 59.53 78.61 1.000 -141.12 260.18
tingg -270.63* 85.01 .011 -487.60 -53.65
tingg rendah 330.15* 75.86 .001 136.53 523.78
sedang 270.63* 85.01 .011 53.65 487.60
*. The mean difference is significant at the .05 level.
Dari print out tabel Descriptive di atas diperoleh rata-rata berat

badan bayi yang dilahirkan oleh ibu dengan status ekonomi rendah
adalah 2509,85 gram dengan standar deviasi 97,38 gram; Rata-rata
berat badan bayi yang dilahirkan oleh ibu dengan status ekonomi
sedang adalah 2569,38 gram dengan standar deviasi 160,05 gram dan
bayi yang dilahirkan oleh ibu dengan status ekonomi tinggi adalah
2824,77 gram dengan standar deviasi 222,79 gram.
Dari tabel Anova di atas, nilai p pada uji anova dapat diketahui
pada kolom Sig. terlihat p = 0,001 artinya nilai p < , keputusan
statistik yang diambil adalah menolak Ho. Kesimpulannya adalah ada
perbedaan berat badan bayi yang dilahirkan oleh ibu dengan status
ekonomi yang berbeda.
Pada tabel Multiple comparisons Bonferroni (paling bawah ) berguna
untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan
significan. Untuk mengetahui kelompok yang significan dapat dilihat
pada kolom Sig., ternyata kelompok yang berhubungan adalah :
 Tingkat sosek Tinggi dengan Rendah.
 Tingkat sosek Tinggi dengan Sedang.
6.4. Analisis Hubungan Data Numerik dengan Katagori (Uji
Korelasi dan Regresi Linier Sederhana)
Seringkali dalam penelitian kita ingin mengetahui hubungan antara dua
variabel yang sejenis numerik, misalnya hubungan berat badan dengan
tekanan darah, hubungan umur dengan kadar Hb dan lain-lain.
Hubungan antara dua variabel numerik dapat dihasilkan dua jenis yaitu
derajat/keeratan hubungan dan bentuk hubungan. Bila ingin diketahui
derajat/keeratan hubungan, digunakan analisis korelasi. Sedangkan bila
ingin diketahui bentuk hubungan antara dua variabel, digunakan
analisis regresi
Korelasi
Korelasi disamping dapat untuk mengetahui derajat/keeratan
hubungan, korelasi dapat juga untuk mengetahui arah hubungan dua
variabel numerik. Misalnya, apakah hubungan berat badan dan tekanan
darah mempunyai derajat yang kuat atau lemah, dan juga apakah
kedua variabel tersebut berpola positif atau negatif.
Secara sederhana atau secara visual hubungan dua variabel dapat
dilihat dari diagram tebar/pencar (scater plot). Diagram tebar adalah
grafik yang menunjukkan titik-titik perpotongan nilai data dari dua
variabel (X dan Y). pada umumnya dalam grafik, variabel independen
(X) diletakkan pada garis horizontal sedangkan variabel dependen (Y)
pada garis vertikal.
Dari diagram tebar dapat diperoleh informasi tentang pola
hubungan antar dua variabel X dan Y. Selain memberi informasi pola
hubungan dari kedua variabel, diagram tebar juga dapat
menggambarkan keeratan hubungan dari kedua variabel tersebut.
Linier positif Linier negative Tak ada hubungan
Untuk mengetahui lebih tepat besar/derajat hubungan dua variabel
digunakan Koefisien Korelasi Product Momment. Koefisien korelasi
disimbolkan dengan r. Nilai korelasi ( r ) berkisar antar 0 s/d 1 atau bila
dengan disertai arahnya nilainya antara –1 s/d +1.
Arti dari nilai r adalah :

r = 0  tidak ada hubungan linier
r = -1  hubungan linier negatif sempurna
r = +1  hubungan linier positif sempurna
Hubungan dua variabel dapat berpola positif maupun negatif.
Hubungan positif terjadi bila kenaikan satu unit diikuti kenaikan
variavel yang lain, misalnya semakin bertambah berat badannya
(semakin gemuk) semakin tinggi tekanan darahnya. Sedangkan
hubungan negatif dapat terjadi bila kenaikan satu unit variabel diikuti
penurunan variabel yang lain, misalnya semakin bertambah umurnya
(semakin tua) semakin turun kadar Hbnya.
Menurut Colton, kekuatan hubungan dua variabel secara kualitatif
dapat dibagi dalam 4 area, yaitu :
r = 0,00 – 0,25  Tidak ada hubungan/hubungan lemah
r = 0,26 – 0,50  Hubungan sedang
r = 0,51 – 0,75  Hubungan kuat
r = 0,76 – 1,00  Hubungan sangat kuat/sempurna
Uji Hipotesis
Koefisien korelasi yang telah dihasilkan merupakan langkah pertama
untuk menjelaskan derajat hubungan linier antara dua variabel.
Selanjutnya perlu dilakukan uji hipoteis untuk mengetahui apakah
antara dua variabel terjadi secara signifikan atau hanya karena faktor
kebetulan dari random sampel (by chance).
Uji hipotesis dapat dilakukan dengan dua cara, yaitu :
1) Membandingkan nilai r hitung dengan r tabel.
2) Menggunakan pengujian dengan pendekatan distribusi t.
Regresi Linier Sederhana

Seperti diuraikan di atas bahwa analisis hubungan dua variabel dapat
digunakan untuk mengetahui bentuk hubungan dua variabel yaitu
dengan analisis regresi.
Analisis regresi merupakan suatu model matematis yang dapat
digunakan untuk mengetahui bentuk hubungan antar dua atau lebih
variabel. Tujuan analisis regresi adalah untuk membuat perkiraan
(prediksi) nilai suatu variabel (variabel dependen) melalui variabel yang
lain (variabel independen).
Sebagai contoh kita ingin menghubungkan dua variabel numerik berat
badan dan tekanan darah. Dalam kasus ini berat badan sebagai variabel
independen dan tekanan darah sebagai variabel dependen, sehingga
dengan regresi kita dapat memperkirakan besarnya nilai tekanan darah
bila diketahui data berat badan.
Untuk melakukan prediksi digunakan persamaan garis yang
dapat diperoleh dengan berbagai cara/metode. Salah satu cara yang
sering digunakan oleh peneliti adalah dengan menggunakan metode
kuadrat terkecil (least square). Metode least square merupakan satu
metode pembuatan garis regresi dengan cara meminimalkan jumlah
kuadrat jarak antar nilai Y yang teramati dan nilai Y yang diramalkan
oleh garis regresi itu. Secara matematis persamaan garis regresi adalah
Y = a + bX.
Persamaan garis di atas merupakan metode deterministik yang
secara sempurna dapat digunakan hanya untuk peristiwa alam,
misalnya hukum gravitasi bumi, yang ditemukan oleh Isac Newton.
Variabel kecepatan benda jatuh (variabel dependen) pada keadaan yang
ideal adalah fungsi matematik sempurna (bebas dari kesalahan) dari
variabel independen, berat beda dan gaya gravitasi.
Contoh lain misalnya hubungan antara suhu Fahrenheit dengan suhu
Celcius dapat dibuat persamaan : Y = 32 +9/X. Variabel suhu Fahrenheit
(Y) dapat dihitung/diprediksi secara sempurna/tepat (bebas kesalahan)
bila suhu celcius (X) diketahui.
Ketika berhadapan dengan kondisi pada ilmu sosial , hubungan
antar variabel ada kemungkinan ada kesalahan/penyimpangan (tidak
eksak), artinya untuk beberapa nilai X yang sama kemungkinan
diperoleh nilai Y yang berbeda. Misalnya hubungan berat badan dengan
tekanan darah, tidak setiap orang yang berat badannya sama akan
memiliki tekanan darah yang sama. Oleh karena itu hubungan antara X
dan Y pada ilmu sosial/kesehatan masyarakat tidaklah eksak, maka
persamaan garis yang dibentuk menjadi :
Y = a + bX + e
Keterangan :
Y = Variabel dependen
X = Variabel independen
a = Intercep, perkiraan besarnya rata-rata variabel Y ketika nilai
variabel X=0
b = Slope, perkiraan esarnya perubahan nilai variabel Y bila nilai
variabel
X berubah satu unit pengukuran.
E = Error, nilai kesalahan yaitu selisih antara nilai Y individual
yang
teramati dengan nilai Y yang sesungguhnya pada titik X tertentu.
xy  (xy ) / n
b
x 2  ( x ) 2 / n
a = y - bx
Y = a + bX + e
Kesalahan Standar Estimasi (Standartd Error of Estimate/Se)

Besarnya kesalahan standar estimasi (Se) menunjukkan ketepatan
persamaan estimasi untuk menjelaskan nilai variabel dependen yang
sesungguhnya. Semakin kecil Se, semakin tinggi ketepatan persamaan
estimasi yang dihasilkan untuk menjelaskan nilai variabel dependen
yang sesungguhnya. Dan sebaliknya, semakin besar nilai Se, makin
rendah ketepatan persamaan estimasi yang dihasilkan untuk
menjelaskan nilai variabel dependen yang sesungguhnya. Untuk
mengetahui besarnya Se dapat dihitung melalui rumus sebagai berikut :
x 2  ay  bxy
Se 
n 1
Koefisien determinan (R2)
Ukuran yang penting dan sering digunakan dalam analisis regresi
adalah Koefisien determinan atau disimbolkan R2 (R ssquare). Koefisien
determinan dapat dihitung dengan mengkuadratkan nilai r, atau dengan
formula R2 = r2 . Koefisien determinan berguna untuk mengetahui
beberapa variasi variabel dependen (Y) dapat dijelaskan oleh variabel
independen (X). atau dengan kata lain R square menunjukkan seberapa
jauh variabel independen dapat memprediksi variabel dependen.
Semakin besar nilai R square semakin baik/semakin tepat variabel
independen memprediksi variabel dependen. Besarnya nilai R square
antar 0 s/d 1 atau antara 0 % s/d 100 %.
Latihan
Sebagai contoh kita ingin melakukan analisis korelasi dengan mengambil
variabel yang bersifat numerik yaitu umur ibu dengan berat badan bayi
yang dilahirkan, dalam latihan ini menggunakan dari file ibu hamil
sav.
Langkah-langkah melakukan analisis korelasi dan regresi menggunakan
SPSS adalah :
1) Pastikan pada data editor adalah ibu hamil.sav
2) Pilih Analyze, pilih Correlate, pilih Bivariat seperti berikut ini :
3) Kemudian akan muncul kotak dialog, klik variabel bbbayi dan klik
Hb1 pada kotak sebelah kiri, klik tanda panah kanan untuk mengisi
kotak di sebelah kanan yang hasilnya tampak seperti di bawah ini :
4) Tandai  pada Pearsons dan Flag significant correlations
menggunakan mouse
5) Tandai  pada two tailed menggunakan mouse
6) Klik OK
Maka hasilnya akan tampak pada window output seperti di bawah ini :
Correlations
Correlations
HB1 BBBAYI
HB1 Pearson Correlation 1.000 .370*
Sig. (2-tailed) . .044
N 30 30
BBBAYI Pearson Correlation .370* 1.000
Sig. (2-tailed) .044 .
N 30 30
*. Correlation is significant at the 0.05 level (2-tailed).
Tampilan analisis korelasi berupa matrik antar variabel yang

dikorelasikan, informasi yang muncul dapat tiga baris : pertama berisi
nilai korelasi (r), baris kedua menampilkan nilai p (p value) dan baris
ketiga menampilakan N jumlah data. Pada hasil analisis di atas
diperoleh nilai r = 0,37 dan nilai p = 0,004.
Kesimpulan yang dapat diambil adalah ada hubungan berat bayi yang
dilahirkan dengan kadar Hb ibu (p = 0,004) dengan keeratan hubungan
sedang (r = 0,037) dan berpola positif artinya semakin tinggi kadar Hb
ibu semakin tinggi berat bayi yang dilahirkan.
Regresi sederhana
Berikut akan dilakukan analisis regresi linier dengan menggunakan
variabel berat badan bayi dengan kadar Hb, file yang digunakan adalah
ibu hamil.sav.
Dalam analisis regresi kita harus menentukan variabel dependen dan
variabel independen. Dalam kasus ini berat badan bayi adalah variabel
dependen dan kadar Hb ibu adalah variabel independen.
Langkah-langkah analisis regresi dengan SPSS adalah sebagai berikut :
1) Pastikan pada data editor adalah ibu hamil.sav
2) Pilih Analyze, pilih Regression, pilih Linier seperti tampak pada
gambar di bawah ini :
3) Maka akan tampil kotak dialog dari menu linier regression seperti di
bawah ini :
4) Pada kotak dialog di atas pilih variabel bbbayi dengan menggunakan
mouse, klik tanda panah kanan untuk memasukkan dalam kotak
Dependent sebelah kanan.
5) Pilih variabel Hb1 sebagai variabel independen dengan menggunakan
mouse, klik tanda panah kanan untuk memasukkan dalam kotak
Independent(s)
6) Maka hasilnya akan seperti pada gambar dibawah ini :
7) Klik OK dan hasilnya adalah
Regression
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 HB1a . Enter
a. All requested variables entered.
b. Dependent Variable: BBBAYI
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 197579.3 1 197579.263 4.455 .044a
Residual 1241900 28 44353.575
Total 1439479 29
a. Predictors: (Constant), HB1
b. Dependent Variable: BBBAYI
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 1652.543 462.240 3.575 .001
HB1 85.308 40.419 .370 2.111 .044
a. Dependent Variable: BBBAYI
Interpretasi hasil analisis regresi di atas adalah dengan mengkaji

nilai-nilai penting dalam regresi linier antara lain diantaranya :
Koefisien determinan, persamaan garis dan p value. Nilai koefisien
determinan dapat dilihat dari nilai R square ( anda lihat pada tabel
Model Summary) yaitu besarnya 0,137 artinya persamaan garis regresi
yang kita peroleh dapat menerangkan 13,7 % variasi berat badan bayi
atau persamaan garis yang diperoleh dapat kurang baik untuk
menjelaskan variabel berat badan bayi.
Selanjutnya pada tabel Anova, anda dapat menguji kecocokan
(fitness) dari model terhadap data yang ada. Pada tabel Anova di atas
diperoleh nilai p = 0,004 (lihat pada kolom sig.) yang artinya pada  5 %
kita dapat menyimpulkan bahwa model regresi sederhana cocok (fit)
dengan data yang ada.
Persamaan garis regresi dapat dilihat pada tabel Coefficientsa
yaitu pada kolom B. Dari hasil di atas didapat nilai constant (nilai ini
merupakan nilai intercep atau a) sebesar 1652,543 dan nilai b = 85,303
sehingga persamaan garisnya adalah
Y = a + bX
Y = Berat badan bayi
X = Kadar Hb
Berat badan bayi = 1652,543 + 85,303 (Kadar Hb)
Dengan persamaan tersebut, berat bayi dapat diperkirakan jika kita
tahu nilai Hb. Uji statistik untuk koefisien regresi dapat dilihat pada
kolom Sig.t dan menghasilkan nilai p = 0,044. Jadi  5 % kita menolak
Ho, berarti ada hubungan linier antar kadar Hb ibu dengan berat bayi
yang dilahirkan. Dari nilai b = 85,303 berarti bahwa variabel berat bayi
akan bertambar sebesar 85,303 bila kadar Hb naik satu gram/dl
Memprediksikan variabel Dependen dengan Nilai Independen

Berpakah berat bayi yang akan dilahirkan bila Hb ibunya 14,00 gram/dl
?
Dengan persamaan tadi dapat dihitung :
Berat badan bayi = 1652,543 + 85,303 (Kadar Hb)
Jadi :
Berat badan bayi = 1652,543 + 85,303 (14,00)
Berat badan bayi = 2847,163 gram
6.5. Menampilkan Grafik

Setelah data mentah terkumpul tahap selanjutnya adalah menyajikan
data tersebut dalam berbagai bentuk, tergantung jenis data dan
skalanya. Dalam menampilkan grafik Guna penyajian data adalah agar
dapat diambil informasi yang ada didalam kumpulan data tersebut.
Secara umum data disajikan dalam bentuk tulisan, tabel dan
gambar/grafik Perlu diingat bahwa tidak boleh membuat grafik
sembarangan/ tidak sesuai dan harus memperhatikan jenis datanya,
numerik atau katagori.
Tampilan Grafik untuk Data Katagori :

1) Bar diagram (batang)
2) Pie diagram
3) Proposional diagram
4) Pareto
Langkah-langkah untuk dapat menampilkan gambar/grafik bar
adalah :
 Pastikan pada data editor adalah ibu hamil.sav
 Pilih Graphs , pih Bar, maka akan muncul tampilan seperti berikut :
 Pilih Simple, pilih Summarise for group of Case kemudian klik

Define, maka akan muncul kotak dialog seperi di bawah ini
 Pilih variabel sosek pada kotak sebelah kiri, kemudian klik tanda
panah kanan untuk masukkan pada kotak Category axis dengan
menggunakan mouse.
 Tandai () pada % of cases, Klik Titles untuk memberikan judul pada
tampilan grafik
 Kili OK
Hasilnya pada window output adalah :
Graph
50
40
30
20
10
Percent
0
rendah sedang tingg
SOSEK
Dari grafik di atas dapat menggambarkan bahwa sebagian besar sosial

ekonomi pada ibu-ibu hamil adalah rendah.
Langkah-langkah untuk dapat menampilkan gambar/grafik pie adalah
:
 Pilih Graphs , pilih Pie, maka akan muncul tampilan seperti di bawah
ini:
 Tandai () pada Summarise for group of case, klik Define,

kemudian akan tampil kotak dialog seperti berikut :
 Pilih variabel merokok pada kotak sebelah kiri, kemudian klik tanda
panah kanan untuk masukkan pada kotak Define Slices by dengan
menggunakan mouse.
 Tandai () pada % of cases, Klik Titles untuk memberikan judul
pada tampilan grafik
 Klik OK
Hasilnya pada window output adalah
 Pilih variabel sosek pada kotak sebelah kiri, kemudian klik tanda
panah kanan untuk masukkan pada kotak Category axis dengan
menggunakan mouse.
 Tandai () pada % of cases, Klik Titles untuk memberikan judul pada
tampilan grafik
 Kili OK
Hasilnya pada window output adalah

Graph
tdk merokok
merokok
Dari grafik di atas dapat tarik kesimpulan bahwa sebagian besar ibu-ibu
hamil tidak merokok.
Langkah-langkah untuk dapat menampilkan Pareto adalah :
 Pilih Graphs , pilih Pareto, maka akan muncul tampilan seperti di
bawah ini :
 Tandai pada Counts or sums for groups of cases , klik define maka
akan muncul kotak dialog :
 Pilih hipertensi, klik pada tanda panah kanan untuk mengisi
kotak Category Axis, tandai  pada Counts, kemudian OK
 Hasil grafik pareto adalah
Graph
40
Percent
30 100
20
50
13
10
9
8
Count
0 0
rendah tingg sedang
SOSEK
Pareto adalah grafik yang datanya diurutkan dari yang terbesar ke yang
terkecil, pada gambar di atas menunjukkan bahwa tingkat sosial
ekonomi rendah yang terbesar kemudian disusul tingkat ekonomi
tinggi dan sedang.
Tampilan Grafik untuk Data Numerik

Untuk data-data yang sifatnya numerik dapat disajikan dalam bentuk
grafik sebagai berikut :
 Histogram
 Line diagram
 Box plot
 Scatterplot
 Dan sebagainya
Langkah-langkah untuk dapat menampilkan Histogram adalah :

 Pilih Grafik, pilih Histogram maka akan muncul kotak dialog seperti
di bawah ini
 Pilih Hb2 pada kotak sebelah kiri, klik tanda panah kanan maka
Hb2 akan masuk pada kotak Variable, tandai  pada Display
nomal curve, kemudian OK
 Hasil histogram beserta kurva normal adalah sebagai berikut :
Graph
8
Std. Dev = .97

Mean = 11.63
0 N = 30.00
10.00 10.50 11.00 11.50 12.00 12.50 13.00
10.25 10.75 11.25 11.75 12.25 12.75
HB2
Langkah-langkah untuk dapat menampilkan Line Diagram adalah :

 Pilih Grafik, pilih Line maka akan muncul kotak dialog seperti di
bawah ini
 Pilih Simple, tandai  pada Values of individual cases kemudian

Define, maka akan muncul kotak dialog seperti di bawah ini :
 Pilih bbbayi pada kotak sebelah kiri, klik tanda panah kanan, tandai
pada Case number, kemudian OK
 Hasilnya adalah sebagai berikut :
Graph
3400
3200
3000
2800
2600
Value BBBAYI
2400
2200
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Case Number
Dari gambar di atas diperoleh informasi bahwa dari 30 bayi berat

badannya tidak sama tersebar, bila ditarik garis membentuk gelombang
yang tidak beraturan.
Langkah-langkah untuk dapat menampilkan Scatterplot adalah :
 Pilih Grafik, pilih Scatterpolt maka akan muncul kotak dialog seperti
di bawah ini
 Pilih simple, klik Define, maka akan muncul kotak dialog sperti di
bawah ini :
 Pilih dua variabel pada kotak sebelah kiri, pilih bbbayi sebagai
variabel dependen, klik tanda panah kanan untuk masukkan pada Y
Axis
 Pilih variabel Hb1 sebagai variabel independen, klik tanda panah
kanan untuk memasukkan pada X Axis. OK
Hasilnya adalah sebagai berikut
Graph
3400
3200
3000
2800
2600
2400
BBBAYI
2200
9 10 11 12 13 14
HB1
Scaterplot merupakan gambaran dari dua variabel dependen dan

independen yang menggambarkan sebaran berat badan bayi menurut
kadar Hb ibu.

DAFTAR PUSTAKA
1. Junadi, Purnawan. 1995. Pengantar Analisis Data. Rineka Cipta. Jakarta

2. IBM. 2011. IBM SPSS Statistics Base 20. IBM Corporation. US.
3. Landau, Sabine., Everitt, Brian S. 2004. A Handbook of Statistical Analyses
using SPSS. Chapman & Hall/CRC Press LLC. USA

Modul Spss 2018 Baru

Diunggah oleh

Informasi Dokumen

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 2018 Baru

Diunggah oleh

Hak Cipta:

Format Tersedia

PANDUAN PRAKTEK

Penyediaan buku untuk proses belajar mengajar sangat membantu

Dalam buku ini berisikan panduan untuk program SPSS for

Buku ini diharapkan dapat membantu mahasiswa dalam

Palembang, September 2017

KATA PENGANTAR .................................................................................................. i

Kemajuan teknologi di bidang komputer pada beberapa dekade

1.1 Statistik dan Komputer

Statistik juga mempunyai fungsi sama dengan komputer, yaitu

1.2 Mengenal SPSS For Windows

SPSS merupakan salah satu program olah data statistik yang

2.2 Pemeriksaan Data (Editing)

2.3 Pemberian Kode (Koding)

b. Mentransformasi data numerik (Hb) menjadi data kategorik (anemia)

Gambar 2.3.1 Transformasi data numeric (Hb) ke Kategorik (anemia)

2.5 Pembersihan Data (Cleaning)

Sementara pada table 2.5.2 di bawah yaitu variable tingkat pendidikan

Tabel 2.5.2 Tingkat Pendidikan

b. Mengetahui variasi data

Tabel 2.5.3 Status Anemia

Tabel 2.5.5 Jenis Alat Kontrasepsi

Dari kedua tabel di atas terlihat bahwa ada ketidak konsisten

3.1 Mengaktifkan SPSS for Windows

Gambar 3.1.1 Icon SPSS pada desktop

Gambar 3.1.2 Memulai program SPSS for Windows

Gambar 3.1.3 Tampilan pertama SPSS

Sheet data Sheet variable

Gambar 3.1.4 Tampilan data pada SPSS

3.2 Menu File

Pertama kali yang dilakukan pada saat entry data adalah

Langkah-langkah memasukkan / entry data di SPSS

Gambar 3.2.1 Tampilan Data Editor pada SPSS

Gambar 3.2.2 Tampilan Variable View pada SPSS

Gambar 3.2.4 Tampilan Type Variabe “Nama”l

Gambar 3.2.5 Tampilan Value Labels

Gambar 3.2.6 Tampilan Value Labels

Gambar 3.2.8 Tampilan Value Labels

Gambar 3.2.9 Tampilan Missing Value

Gambar 3.2.10 Tampilan Keterangan dari Tiap-tiap Variabel

Setelah tampilan Variable View sudah terisi, maka aktifkan Data

Gambar 3.2.10 Tampilan Datayang telah terisi pada Data View

Selanjutnya data base yang telah dimasukkan disimpan dalam

Gambar 3.2.10 Tampilan Menyimpan File ‘LATIHAN’

Setelah data disimpan, untuk mengakhiri program SPSS for

3.2.2 Mencetak Data

3.2.3 Keluar dari SPSS

3.3.2 Menghapus Isi Sel Satu Kolom (Satu Variabel)

 Untuk menghapus tekan tombol Delete pada keyboard.

 Untuk menghapus tekan tombol Delete pada keyboard.

3.3.5 Mengganti Isi Data

3.4 Menu Data

3.4.2 Menyisipkan Kasus

 Klik variable jenis kelamin, kemudian klik tanda panah hingga

3.4.4 Mengurutkan Data (Sort Cases)

 Klik variable Nama, dan masukkan ke dalam kolom Sort by

3.5 Menu Transform

 Pada kolom Label ketik Berat badan ideal responden.

 Karena variable jenis kelamin untuk pria dengan nilai 1, maka

 Pada Output Variable, pada bagian Name ketiklah nama variable

 Sekarang kita akan merecode nilai BERAT < 55 kg menjadi

 Pindahkan kursor ke kotak: Range:--through--, kita akan

4.1 Prinsip Analisis Data

4.2 Tipe Data Statistik

4.3 Langkah-langkah Analisis Data