STATISTIK PARAMETRIK

UNTUK PENELITIAN KESEHATAN

 ESTI TYASTIRIN
IRUL HIDAYATI

PENERBIT
PROGRAM STUDI ARSITEKTUR
UIN SUNAN AMPEL
Statistik Parametrik
Untuk Penelitian Kesehatan

Penulis :
Esti tyastirin
Irul hidayati

ISBN : 978-602-50337-4-2

Editor :
Eko Teguh Pribadi

Desain Sampul :
Saiku Rokhim

Penerbit :
Program Studi Arsitektur UIN Sunan Ampel
JL. A. Yani 117 Surabaya, Jawa Timur
Indonesia 60237
Email : arsitektur@uinsby.ac.id

Cetakan pertama, Desember 2017

Hak cipta dilindugi oleh undang-undang

Dilarang memperbanyak karya tulis ini dalam bentuk dan dengan cara apapun
tanpa ijin tertulis dari penerbit
 untuk

Mereka yang Sepenuh Hati

Menerangi Dunia dengan Ilmu Pengetahuan
 KATA PENGANTAR

Dalam suatu penelitian kuatitatif bidang kesehatan, tidak dapat dipungkiri bahwa ilmu
statistik memiliki peran penting terutama sebagai instrumen ukur pembuktian hipotesis. Nilai
kebenaran dari kesimpulan akhir dalam suatu penelitian kuantitatif bidang kesehatan sangat
ditentukan oleh benar tidaknya pilihan dan metode pengujian statistik dari hasil pengumpulan
data. Sangat disayangkan bila dalam suatu penelitian kesehatan dengan effort yang maksimal
memberikan hasil yang kurang valid dan tidak mampu menjelaskan keadaan sebenarnya, hanya
karena kesalahan peneliti dalam memilih dan menggunakan metode analisis data yang tidak
sesuai.
Mengingat pentingnya ilmu statistik dalam dalam penelitian kuantitatif, khususnya
penelitian kesehatan maka Buku berjudul “Statistik Parametrik Untuk Penelitian Kesehatan” ini
disusun dan diterbitkan. Bentuk khas dari penyajian penulisan, pilihan tema dan contoh-contoh
praktis yang lebih berwarnakan masalah-masalah kesehatan, menjadikan buku ini sangat tepat
sebagai buku pegangan bagi pelajar, mahasiswa, dan akademisi bidang kesehatan yang
membutuhkan petunjuk praktis penggunanaan metode statistika dalam penelitian. Selain itu
buku ini juga layak menjadi buku pembelajaran perkuliahan bidang kesehatan karena
sistematisasi isi dan desain penulisan yang dibuat sedemikian sederhana namun tanpa
mengurangi esensi keilmuannya, sehingga mudah dipahami dalam aktifitas belajar mengajar.
Akhir kata dengan segala kerendahan hati dan ucapan syukur Alhamdulillah kehadirat
Allah SWT, penulis berharap karya kecil ini dapat memberikan manfaat bagi mereka yang
tertarik dalam mempelajari statistika penelitian bidang kesehatan.

Surabaya, Desember 2017

Penulis

i
 DAFTAR ISI

KATA PENGANTAR i
DAFTAR ISI ii
PENDAHULUAN 1
A. Konsep Dasar Statistik …………………………………………………………………………………… 1
B. Prinsip Uji Hipotesis ………………………………………………………………………………………. 1
C. Penentuan Uji Parametrik dan Uji Non-Parametrik ……………………………………….. 5
Uji Kolmogorov-Smirnov secara Manual ……………………………………………………….. 6
Uji Kolmogorov-Smirnov dengan SPSS …………………………………………………………… 7
UJI STATISTIK BEDA RATA-RATA 1 SAMPEL 10
A. Uji Statistik Beda Rata-Rata pada 1 Sampel …………………………………………………… 10
Uji -T secara Manual ……………………………………………………………………………………… 10
Uji -T dengan SPSS …………………………………………………………………………………………. 11
UJI STATISTIK BEDA RATA-RATA 2 SAMPEL 14
A. Uji Beda Rata-Rata 2 Sampel Berpasangan ……………………………………………………. 14
Uji T-Dependent secara Manual ……………………………………………………………………. 15
Uji T-Dependent dengan SPSS ……………………………………………………………………….. 17
B. Uji Komparatif untuk 2 Sampel Tidak Berpasangan ……………………………………….. 20
Uji T-Independent secara Manual …………………………………………………………………. 23
Uji T-Independent dengan SPSS …………………………………………………………………….. 24
UJI STATISTIK BEDA RATA-RATA K SAMPEL 28
A. UJI ANOVA One-Way …………………………………………………………………………………….. 28
Uji Anova One-Way secara manual ……………………………………………………………….. 29
Uji Anova One-Way dengan SPSS ………………………………………………………………….. 30
B. UJI ANOVA Two-Way …………………………………………………………………………………….. 33
Uji Anova Two-Way secara Manual ………………………………………………………………. 35
Uji Anova Two-Way dengan SPSS ………..………………………………………………………… 35
ANALISIS KORELASI REGRESI 39
A. Analisis Korelasi …………………………………………………………………………………………….. 39
Analisis Korelasi secara Manual …………………………………………………………………….. 40
Analisis Korelasi dengan SPSS ……………………………………………………………………….. 40
B. Analisis Regresi ……………………………………………………………………………………………… 42
Analisis Regresi Linear dengan SPSS ………………………………………………………………. 43
Analisis Regresi Berganda dengan SPSS …………………………………………………………. 45
DAFTAR PUSTAKA 49

ii
 PENDAHULUAN

A. Konsep Dasar Statistik

Kata “statistik” sering kali dikaitkan dengan deret angka maupun tampilan grafik.
Namun, sebagai disiplin ilmu, keberadaan statistik tidak hanya terbatas pada penyajian
data. Saat ini statistik memiliki peranan penting dalam proses penelitian melalui
metode pengumpulan data, pengolahan data, analisis data hingga penyajian data.
Secara umum statistik dapat dijelaskan sebagai berikut:
“Statistik adalah sekumpulan konsep dan metode yang digunakan untuk
mengumpulkan dan menginterpretasi data tentang bidang kegiatan tertentu
dan mengambil keputusan dalam situasi di mana ada ketidakpastian dan
variasi” (Sabri, 2014).

Secara garis besar metode statistik terbagi menjadi 2, yaitu statistik deskriptif dan
statistik inferensial. Statistik deskriptif merupakan metode statistik yang berfokus
pada penggambaran hasil data yang telah terkumpul, tanpa ada tujuan untuk
menyimpulkan/mengeneralisasi. Sedangkan statistik inferensial terdapat proses
pengambilan kesimpulan dari data sampel yang terkumpul menjadi lebih umum untuk
sebuah populasi.

B. Prinsip Uji Hipotesis

Hipotesis berasal dari kata hupo dan thesis. Hupo artinya sementara/lemah
kebenarannya, dan thesis artinya pernyataan/teori. Maka, hipotesis merupakan
pernyataan sementara yang perlu diuji kebenarannya (Sabri, 2014).
Sebagaimana yang dibahas sebelumnya, bahwa nilai yang berasal dari sampel dapat
digunakan untuk mengestimasi nilai yang ada pada populasi atau biasa disebut proses
generalisasi. Pada proses generalisasi ini, muncul masalah faktor kebetulan/chance.
Permasalahan faktor kebetulan ini merupakan pertanyaan. “apakah
persamaan/perbedaan yang ada pada/antar populasi disebabkan oleh faktor kebetulan
dalam pengambilan data?”. Menanggapi permasalahan ini, maka dilakukan proses
pengujian hipotesis pada statistik inferensial. Pada dasarnya pengujian hipotesis

1
 melakukan perbandingan antara nilai sampel dengan nilai hipotesis yang diajukan.
Adapun kesimpulan yang dapat diambil dari pengujian hipotesis adalah menolak
hipotesis nol dan gagal menolak hipotesis nol. Apa yang dimaksud dengan hipotesis
nol? berikut ini adalah penjelasan mengenai jenis-jenis hipotesis yang ada di ilmu
statistik
1. Hipotesis nol (Ho)
Menurut Sabri (2014), hipotesis nol merupakan pernyataan hipotesis yang
menunjukan tidak adanya perbedaan/hubungan antara variabel yang satu dengan
yang lainnya
2. Hipotesis alternatif (Ha)
Menurut Sabri (2014), hipotesis alternatif adalah hipotesis yang menyatakan
adanya perbedaan/hubungan antara satu variabel dengan variabel lainnya. Pada
Ha terdapat 2 bentuk arah uji, yaitu arah uji satu arah (one-tail) dan arah uji dua
arah (two-tail).
Uji satu arah apabila hipotesis alternatif, hanya menyatakan adanya perbedaan
antara variabel, dengan mengatakan salah satu variabel lebih tinggi/rendah
dibandingkan variabel yang lain. Sedangkan uji dua arah apabila hipotesis
alternatifnya hanya menyatakan perbedaan, tanpa mengatakan salah satu variabel
lebih tinggi/rendah dibandingan variabel lainnya.

Contoh penulisan hipotesis:

Ho : µa = µb = tidak ada perbedaan kadar .... dengan kadar.....pada...

Ha : µa ≠ µb (two-tail) = ada perbedaan kadar ...... dengan kadar... pada...

Ha : µa < µb (one-tail) = ada perbedaan kadar ... yang lebih rendah daripada kadar....
pada

Langkah-langkah pengujian hipotesis, adalah sebagai berikut:

1. Menentukan parameter yang akan diuji
Pada awal pengujian hipotesis, kita melakukan penentuan parameter, seperti
proporsi, rata-rata atau ukuran parameter lainnya

2
2. Menentukan hipotesis nol dan alternatif
Sebagaimana yang telah dijelaskan diatas mengenai pengertia Ho dan Ha, maka
terjemahkan dugaan penelitian ke dalam bentuk Ho dan Ha.
3. Menentukan tingkat signifikansi (level of significance (α))
Tingkat signifikansi merupakan peluang untuk tidak membuat kesalahan tipe I.
Kesalahan tipe I adalah kesalahan menolak Ho, padahal Ho benar. Penentuan tingkat
signifikansi ini beragam tergantung keinginan peneliti. Namun umumnya kisaran
nilai α = 0,05 (5%) untuk penelitian kesehatan/sosial dan α =0,01 (10%) untuk
penelitian laboratorium. Pada buku ini akan kita nilai α yang akan kita gunakan
adalah 0,05 (5%), dengan nilai Z =1,96
4. Kumpulkan data melalui sampel acak
Lakukan pengambilan data setelah dilakukan pengacakan sampel. Adapun proses
pengambilan sampel dapat dilakukan secara acak maupun dengan proses sistematik
5. Pilih uji statistik
Langkah selanjutnya, adalah melakukan uji hipotesis berdasarkan uji statistik yang
tepat. Pemilihan uji statistik dilakukan berdasarkan parameter yang dipilih serta
normalitas dari distribusi data yang ada. Secara garis besar terdapat analisis
statistik deskriptif dan analisis statistik inferensial. Pada pembahasan ini akan
difokuskan pada jenis-jenis analisis statistik inferensial
6. Ambil kesimpulan.
Setelah dilakukan pengujian, diambil kesimpulan untuk menolak atau gagal
menolak Ho. Pengambilan keputusan hipotesa secara garis besar dapat dilakukan 2
cara, yaitu
1) Melalui penentuan luas daerah asir pada kurva distribusi
2) Melakukan perbandingan nilai signifikansi (α) dengan nilai perhitungan uji
statistik (P-value)

Pada metode pertama, perlu kita pahami terlebih dulu mengenai gambaran kurva
distribusi data. Pada gambar 1.1 terlihat adanya batasan nilai-Z dari α (0,05) adalah
+ 1,96. Apabila hasil perhitungan uji statistik mendapati nilai Z lebih kecil dari batas

3
tersebut, atau berada pada luas daerah yang diasir. Maka, dapat disimpulkan bahwa
kesimpulan uji hipotesa adalah menolak Ho.

Nilai z- hitung

Gambar 1.1
Batas Pembagian wilayah Penolakan dan Penerimaan Ho
Pada model uji two-tail

Apabila nilai Z- hitung > Z-tabel = Ho gagal ditolak

nilai Z- hitung < Z-tabel = Ho ditolak

Pada metode pertama kita akan sangat tergantung pada tabel nilai-Z maupun tabel
nilai-t (tergatung uji yang digunakan). Keterbatasan ini menyebabkan penggunaan
software seperti SPSS, Epi-Info, Matlab dan lain sebagainya menjadi alternatif
pengujian hipotesa oleh para akademisi maupun peneliti. Melalui program software
tersebut, kita cukup membandingkan nilai P-value yang didapatkan dari
perhitungan statistik dengan nilai α. Adapun yang dimaksud dengan nilai P-Value
adalah besarnya peluang salah menolak Ho. P-Value dapat diartikan pula sebagai
besaran nilai yang menyatakan bahwa hasil penelitian terjadi karena faktor
kebetulan, oleh karena itu kita mengharapkan nilai P-value yang sekecil-kecilnya.
Jika nilai P-value kecil, maka hasil penelitian yang disebabkan oleh faktor kebetulan
semakin kecil. Pada uji hipotesa ini, nilai α yang menjadi batasan dalam menentukan
kesimpulan uji hipotesa. Sehingga pada metode kedua ini dapat dirumuskan
Apabila nilai P-value > α (nilai-Z α) = Ho gagal ditolak

4
 Apabila nilai P-value < α (nilai-Z α) = Ho ditolak

C. Penentuan uji parametrik dan uji non-parametrik

Salah satu cara untuk penentuan uji parametrik dan non-parametrik adalah dengan
melakukan uji normalitas. Apabila data terdistribusi normal maka uji statistik yang
dilakukan adalah uji parametrik sedangkan apabila data tidak terdistrubusi normal,
maka dilakukan uji non-parametrik. Selain melihat normalitas dari distribusi data,
peentuan statistik parametrik dan statistik non-parametrik dapat diterapkan
berdasarkan prinsip berikut. Syarat-syarat penerapan statistik parametrik:
1. Distribusi sampel diambil dari distribusi populasi yang terdistribusi normal
2. Sampel diperoleh secara random
Apabila salah satu syarat tersebut tidak terpenuhi maka dilakukan pengujian statistik
non-parametrik.

Data sampel

Distribusi Distribusi tidak

normal normal
Statistik parametrik Statistik non-parametrik

Penentuan normalitas data dapat dilakukan dengan

1. Membuat kurva/grafik distribusi data, seperti histogram, boxplot, kurva Q-Q plot.
2. Menghitung nilai kemiringan/ skeweness, apabila nilai Skeweness dibagi standar
error < 2, maka data terdistribusi normal.
3. Uji normalitas dapat dilakukan dengan uji Spahiro-wilk, kolomogrov-Smirnov, Chi-
square, lonilless fit. Pada buku ini kita akan mempelajari salah satu uji normalitas
yang paling umum digunakan yaitu uji kolmogorov-Simrov. Pada uji Kolmogorov-
simrov dirumuskan hipotesis sebagai berikut:
Ho : data terdistribusi normal
Ha : data tidak terdistribusi normal

5
 1. Uji Kolmogorov-Smirnov secara manual
Statistik uji Kolmogorov-Smirnov merupakan selisih absolut terbesar antara S(x) dan
Fo(x), yang disebut deviasi maksimum D.
D = |S(x) – Fo(x)| maks.
Apabila nilai D hitung lebih kecil dengan nilai D pada tabel, maka Ho diterima. Sehingga
dapat disimpulkan bahwa data tersebut berasal dari populasi dengan distribusi yang
normal.

Contoh:
Dilakukan sebuah survei kepada 18 wanita, mengenai umur pertama saat haid,
didapatkan hasil seperti yang terlihat pada tabel. Tentukan apakah data tersebut
berasal dari populasi yang berdistribusi normal! (α = 5%)
Umur haid pertama Frekuensi (f)
10 3
11 4
12 6
13 2
14 1
15 1
16 1

Langkah 1: penentuan hipotesis

Ho : data terdistribusi normal
Ha : data tidak terdistribusi normal
Langkah 2 : menghitung nilai S(x) dan Fo(x)
Umur Frek Frek. S(x) Fo (X) = D=
𝑋−𝑋 𝑟𝑎𝑡𝑎
haid (f) Kumulatif Z= Z tabel |S(x) – Fo(x)|
𝐹𝑟𝑒𝑘. 𝑆𝐷
pertama (Fk) = 0,5 – Ztabel
𝑓𝑟𝑒𝑘. 𝑘𝑢𝑚

10 3 3 0,1667 -0,04 0,016 0,484 0,317

11 4 7 0,3889 -0,02 0,080 0,492 0,103
12 6 13 0,7222 0 0,000 0,000 0,722
13 2 15 0,8333 0,02 0,008 0,492 0,341
14 1 16 0,8889 0,04 0,016 0,484 0,404
15 1 17 0,9444 0,06 0,023 0,476 0,468
16 1 18 1,000 0,08 0,031 0,4681 0,531

6
Langkah 3: Membuat kesimpulan
Berdasarkan perhitungan diatas didapatkan nilai D maks adalah 0,7222. Selanjutnya
bandingkan dengan nilai D pada tabel Kolmogorov smirnov. nilai D tabel (untuk n=18
dan α = 5%) adalah 0,309. Sehingga 0,722 > 0,309 atau D hitung > Dtabel. Dengan kata lain
Ho ditolak, dan dapat disimpulkan data tersebut tidak terdistribusi normal.

2. Uji Kolmogorov-Smirnov dengan SPSS

Pada uji kolmogorov smirov dilakukan perbandingan nilai signifikansi (α) dengan P-
value. Berikut adalah tahap melakukan uji normalitas pada program SPSS.
1. Masukan data yang akan diuji ke dalam SPSS
a. Buatlah variabel pada sheet “variabel view”
Name : kolom untuk menulis nama variabel. Nama variabel tidak
menggunakan spasi
Type : kolom untuk menentukan jenis variabel. Terdapat beberapa pilihan
seperti, numeric, string, date, dan lain sebagainya.
Value : kolom untuk memberikan keterangan apabila data, terdiri atas
beberapa pengkodean. Misalnya Variabel sekolah terdiri atas 3 kode,
yaitu kode 1= tidak sekolah; 2= sekolah SD- SMA; dan 3= sekolah PTN
Measure : kolom untuk menentukan jenis variabel. Pada kolom ini hanya
tersedi, nominal, ordinal dan ratio.

b. Masukan data setiap variabel pada sheet “data view”

Proses memasukan data, pada dasarnya mirip dengan pengoperasian di
Ms.Excell. Namun pada SPSS sebelum memasukan data ke sheet “data view”,
kita harus menentapkan variabel pada sheet “variabel view”.

7
2. Untuk melakukan uji normalitas maka pilih analyze  Descriptive statistic 
Explore, akan muncul tampilan window sebagai berikut

Pindahkan variabel yang hendak diuji normalitas distribusinya dari kolom sebelah
kanan ke kolom kiri , yaitu “Dependent List”
3. Pilih “Statistic” untuk memastikan tingkat kepercayaan yang digunakan sesuai
dengan asumsi yang kita gunakan
4. Pilih “Plot” untuk mengaktifkan test normalitas (normality plot with test)
5. Klik OK
6. Pada window output akan muncul tabel sebagai berikut

7. Membandingkan nilai P-value pada tabel dengan nilai α (0,05), serta membuat
kesimpulan
Ho gagal ditolak jika P-value > α
Ho ditolak, jika P-value < α

Pada contoh ini terlihat ada 2 jenis tes normalitas yaitu kolomogrov-smirnov dan
Shapiro-wilk. Apabila jumlah sampel lebih dari 50, maka uji normalitas yang
digunakan adalah Kolmogorov-smirnov, sedangkan apabila sampel kurang dari 50
maka digunakan uji spahiro-wilk.

Apabila data telah diketahui normalitas dari distribusi data, maka langkah selanjutnya
adalah menentukan uji statistik yang tepat. Pada data yang terdistribusi normal, dapat
dilakukan uji statistik parametrik. Sedangkan pada data yang tidak terdistribusi
normal, perlu dilakukan modifikasi data hingga data terdistribusi normal. Jika tidak

8
melakukan modifikasi data, maka uji statistik yang dilakukan adalah uji statistik non-
parametrik
Pemilihan jenis uji dilakukan dengan memperhatikan jenis data yang digunakan,
jumlah sampel maupun hubungan antar variabel. Secara garis besar pemilihan uji
statistik dapat disederhanakan menjadi berikut:
Tabel 1. Pengelompokan uji statistik
JENIS ASOSIASI
SKALA KOMPARATIF
PENGUKURAN Tidak berpasangan berpasangan KORELASI
2 kelompok >2 kelompok 2 kelompok >2 kelompok
Kategorik Uji t- One-way Uji t- Two-way Pearson
Independent ANOVA dependent ANOVA
Nominal Mann Kruskall Friedman Sperman
Whitney Wallis
Ordinal Wilxocon
kategorik Chi-Squre, Fisher McNemar, Cohran, Koefisien
Kolmogoroc-smirnov Marginal homogeneity konringensi
wilxocon, friedman Lambda
Sumber: Sugiyono, 2015 (modifikasi)

9
 UJI STATISTIK BEDA RATA-RATA 1 SAMPEL

A. Uji statistik Beda Rata-Rata Pada 1 Sampel

Pada tahap awal uji statistik akan selalu dilakukan analisis statistik deskriptif, sebelum
dilanjutkan ke analisis inferensial. Namun, pada buku ini kita akan fokus melakukan
pembahasan mengenai statistik inferensial. Sebagaimana pada judul dari bab ini, maka
proses analisis yang akan diterangkan pada bab ini adalah analisis perbedaan nilai
rata-rata. Uji analisis jenis ini dapat dikategorikan ke uji beda rata-rata pada 1 sampel,
uji beda rata-rata sampel berpasangan dan uji beda rata-rata sampel tidak
berpasangan.

Pada pembahasan pertama kita akan melakukan uji hipotesis beda rata-rata pada satu
sampel. Pada data yang terdistribusi normal, uji statistik parametrik yang dilakukan
adalah uji-t. Uji statistik untuk 1 sampel, dilakukan untuk membandingkan data sampel
dengan data yang ada pada populasi.

1. Uji –T secara Manual

Contoh:
Pada kasus ini, data dianggap berdistribusi normal, sehingga uji statistik yang
dilakukan adalah uji-t. Ditetapkan pula, arah uji adalah two-tail dengan nilai
signifikansi 5%. Didapatkan hasil pengamatan adalah rata-rata produktivitas padi
varietas baru adalah seperti pada tabel. Tentukan apakah rata-rata produktivitas
padi varietas baru sama dengan produktivitas padi varietas lama.

No ID/petak Rata – rata (ton/ha)

1 6.6
2 8.0
3 7.1
4 7.2
5 7.6
6 6.3
7 6.2
8 7.1
9 6.3
10 7.4
Rata-rata 6,9
Standar deviasi 0,61

10
Langkah 1: menentukan hipotesis
Populasi : rata-rata produktivitas padi varietas lama (PL)
Sampel : rata-rata produktivitas padi varietas baru (PB)
Ho : PL = PB
Tidak ada perbedaan rata-rata produktivitas padi varietas lama dengan rata-rata
produktivitas padi varietas baru
Ha : PL ≠ PB
Ada perbedaan rata-rata produktivitas padi varietas lama dengan rata-rata
produktivitas padi varietas baru

Langkah 2: menghitung nilai t (thitung)

𝑥−𝜇
𝑡 = 𝑆𝑑  dengan nilai df = n-1 Keterangan
⁄
√𝑛 n = jumlah sampel
Sd = standar deviasi data sampel
𝑥−𝜇 6,9−7,4 µ = rata –rata data populasi
𝑡 = 𝑆𝑑 = 0.61 = -1,5
⁄ ⁄ x = rata – rata data sampel
√𝑛 √10

Langkah 3: membuat kesimpulan

Pada uji hipotesis ini ditetapkan nilai signifikansi adalah 0,05 dan nilai df = n- 1 = 10 -1
= 9. Maka berdasarkan tabel uji t yang terlampir, didapatkan nilai t tabel sebesar 0,703.
Karena nilai thitung lebih besar dari pada t tabel, (1,5 > 0,703) maka Ho gagal ditolak,
sehingga dapat disimpulkan bahwa ada tidak perbedaan yang signifikan antara
produktivitas tanaman padi varietas lama dengan prodktivitas padi varietas lama.

2. Uji –T dengan SPSS

Proses pengolahan data, selalu diawali dengan uji normalitas. Namun pada
pembahasan ini, kita asumsikan bahwa seluruh data telah dilakukan uji normalitas dan
telah memenuhi asumsi yang dibutuhkan untuk melakukan uji parametrik (uji –t 1
sampel).

1. Sesuai dengan soal sebelumnya mengenai rata-rata produktivitas padi varietas

baru, maka kita dimasukkan data ke dalam program SPSS. Pada window variabel
view buatlah variabel berikut:
Name : rata_berat_padi
Measure : scale

2. Kemudian masukan setiap data pada window data view, sehingga seperti yang
terlihat pada gambar

11
3. Selanjutnya dilakukan analisis dengan, memilih Analyze  compare means  one
sample T test. Akan terlihat window seperti berikut

4. Pindahkan variabel yang akan dianalisis ke kolom test variabel(s), lalu klik “OK”

5. Hasil analisis akan muncul pada window output

12
 Kesimpulan:
Berdasarkan tabel pertama dapat dilihat, rata-rata produktivitas padi varietas baru
adalah 6,98 ton/ha dan pada tabel kedua diketahui nilai sig(2-tailed) adalah 0,0001,
sehingga dapat disimpulkan bahwa nilai signifikansi lebih kecil dari α (0,05), yang
berarti Ho ditolak.

“Rata-rata produktivitas padi varietas baru berbeda signifikan dengan rata-rata

produktivitas padi varietas lama”

LATIHAN SOAL:

Di sebuah desa Sukamaju terdapat budaya yang berlangsung turun-temurun. Setiap ibu
hamil dilarang mengkonsumsi makanan tertentu. Pantangan ini dimaksudkan agar bayi
yang dilahirkan tidak terlalu besar dan proses persalinannya lancar. Kondisi seperti ini
sangat merugikan karena menyebabkan bayi lahir dengan berat badan kurang.

Hal ini menggugah kepedulian seorang ahli gizi untuk memberikan penyuluhan kepada
masyarakat tentang pemenuhan gizi ibu hamil untuk menambah pengetahuan ibu hamil
dan merubah kebiasaan di masyarakat. Dampak dari penyuluhan tersebut, diperoleh data
berat badan bayi yang dilahirkan sebagai berikut:

No Berat badan bayi

1 2.5
2 2.6
3 2.5
4 2.3
5 2.4
6 2.8
7 2.1
8 2.4
9 2.2
10 2.3
11 2.1
12 2.6
Rata-rata 2.4
Standart deviasi 0.21

Berdasarkan data diatas, apakah berat badan bayi di desa Sukamaju tersebut sudah sesuai
dengan standar yaitu diatas 2,5 kg pada taraf kepercayaan 5%?

13
 UJI STATISTIK BEDA RATA-RATA 2 SAMPEL

A. Uji beda rata-rata 2 sampel berpasangan

Pada bab sebelumnya kita sudah membahas pengujian statistik untuk satu sampel.
Namun sering kali pada beberapa penelitian dilakukan pengambilan sampel lebih dari
1, untuk melakukan perbandingan. Adapun jumlah minimal sampel yang dibutuhkan
untuk melakukan perbandingan adalah 2. Pada uji beda rata-rata, hubungan antar 2
sampel tersebut dapat dibedakan menjadi sampel yang berpasangan dan sampe tidak
berpasangan.

Pada sub-bab ini akan kita bahas uji beda rata-rata untuk sampel berpasangan. Yang
dimaksud dengan sampel berpasangan adalah apabila kedua kelompok sampel
tersebut saling terkait. Seperti pada ilustrasi di bawah ini, Pada sebuah populasi
diambil sampel sebanyak n1. Pada sampel tersebut dilakukan sebuah pengukuran,
kemudian sampel diberikan perlakukan dan dilakukan pengukuran kembali. Dengan
kata lain, pada sejumlah sampel yang sama dilakukan pengukuran berulang, yaitu
sebelum perlakuan dan setelah perlakuan. Sehingga didapatkan 2 hasil pengukuran
pada sampel yang sama, yang disebut sampel berpasangan. Pada uji statistik kali ini
kita akan melakukan perbandingan hasil pengukuran sebelum dan setelah perlakuan

Populasi (N)
Sampel (n1) x Sampel (n2)

Gambar 3.1
Ilustrasi sampel berpasangan

14
 Sebagaimana tahapan proses pengujian, sebelum dilakukan uji statistik, data-data
tersebut harus dilakukan uji normalitas. Apabila data terdistribusi normal, maka akan
dilakukan uji paramaterik untuk 2 sampel berpasangan, yang disebut uji t-dependent.
Namun apabila data tidak terdistribusi normal, maka akan dilakukan uji non-
parametrik. Uji non-parametrik yang dilakukan antara lain uji Mc-nemar untuk skala
data nominal dan uji tanda/sign test, wilcoxon untuk skala data ordinal.

1. Uji t-dependent secara manual

Pemilihan uji t-dependent dapat dilakukan dengan syarat, kaidah-kaidah distribusi
normal terpenuhi dan skala data berbentuk numerik, umumnya adalah rerata. Pada uji
t-dependent sampel yang terpilih dilakukan perlakukan terlebih dahulu.

Rumus uji t-berpasangan

̅
𝑑
𝑇= df = n- 1
𝑆𝐷_𝑑⁄√𝑛

Keterangan:
𝑑̅ = rata-rata deviasi/ selisih sampel 1 dan sampel 2
SD_d = Standar deviasi dari deviasi/selisih sampel 1 dan sampel 2

Contoh kasus:
Pada suatu kegiatan rekayasa genetik, dilakukan pengembangan tanaman tomat
transgenik miraculin (gen miraculin/memodifikasi rasa asam menjadi manis).
Sebelum tanaman ini dibudidayakan secara luas, dilakukan sebuah penelitian
untuk mengetahui potensi keamanan hayati tanaman tomat transgenik miraculin,
melalui pengujian dampak tanaman tersebut terhadap populasi mikroflora
(bakteri, jamur dan acytomycetes). Pengamatan populasi mikroflora dilakukan
perhitungan jumlah koloni sebanyak 2 kali yaitu, sebelum penanaman tomat dan
setelah masa panen tomat. Adapun metode eksperimen sederhana dilakukan
dengan 8 ulangan.

15
 Tabel. 3.1
Pengukuran Populasi Mikroflora (cfu/mg) pada Tanaman Tomat Transgenik,
Metode 8x Pengulangan
Pengulangan Pengulangan Pengulangan Pengulangan Pengulangan Pengulangan Pengulangan Pengulangan
1 2 3 4 5 6 7 8
Tomat Tomat Tomat Tomat Tomat Tomat Tomat Tomat
trans trans trans trans trans trans trans trans

Bakteri Bakteri Bakteri Bakteri Bakteri Bakteri Bakteri Bakteri

Sblum: 6,8 Sblum: 6,6 Sblum: 6,6 Sblum: 7,0 Sblum: 6,0 Sblum: 6,6 Sblum: 6,6 Sblum: 7,0
Stlah: 5,0 Stlah: 4,8 Stlah: 5,0 Stlah: 4,5 Stlah: 6,5 Stlah: 4,8 Stlah: 5,0 Stlah: 4,5

Jamur Jamur Jamur Jamur Jamur Jamur Jamur Jamur

Sblum: 4,8 Sblum: 5,0 Sblum: 4,6 Sblum: 4,6 Sblum: 4,6 Sblum: 5,0 Sblum: 4,6 Sblum: 4,6
Stlah: 3,4 Stlah: 3,6 Stlah: 5,0 Stlah: 3,0 Stlah: 5,0 Stlah: 3,6 Stlah: 5,0 Stlah: 3,0

acyto acyto acyto acyto acyto acyto acyto acyto

Sblum: 13,1 Sblum: 12,8 Sblum: 12,8 Sblum: 12,2 Sblum: 12,2 Sblum: 12,8 Sblum: 12,8 Sblum: 12,2
Stlah: 11,0 Stlah: 10,8 Stlah: 13,2 Stlah: 11,0 Stlah: 13,2 Stlah: 10,8 Stlah: 13,2 Stlah: 11,0

Tentukan apakah terdapat perbedaan rata-rata pada masing-masing populasi

mikroflora sebelum penanaman dan panen dari tomat transgenic miraculin dan tomat

Langkah 1: menentukan hipotesis

Ho : tidak ada perbedaan populasi bakteri tanah sebelum dan setelah penanam tomat
transgenik miraculin
Ha : ada perbedaan populasi bakteri tanah sebelum dan setelah penanaman tomat
transgenik miraculin

Langkah 2: menghitung nilai t-dependent

Pengulangan sebelum Setelah d (D - 𝑑̅ )2
1 6,8 5,0 -1,8 ((-1,8) – (-1,6))2
2 6,6 4,8 -1,8 ((-1,8) – (-1,6))2
3 6,6 5,0 -1,6 ((-1,6) – (-1,6))2
4 7,0 4,5 -2,5 ((-2,5) – (-1,6))2
5 6,0 6,5 +0,5 ((+0,5) – (-1,6))2
6 6,6 4,8 -1,8 ((-1,8) – (-1,6))2
7 6,6 5,0 -1,6 ((-1,6) – (-1,6))2
8 7,0 4,5 -2,5 ((-2,5) – (-1,6))2
jumlah -13,1 6,138

16
 Keterangan : 𝑑̅ = 𝐽𝑢𝑚𝑙𝑎ℎ 𝐷⁄𝐽𝑢𝑚𝑙𝑎ℎ 𝑠𝑎𝑚𝑝𝑒𝑙 = −13,1⁄8= -1,63

̅ )2
∑(𝐷− 𝐷 6,138
Sd = √ =√ = 0,93
𝑛−1 8−1

𝑑̅ −1,63
t-dependent hitung = = = - 1,75
𝑆𝑑 0,93

Langkah 3 : menarik kesimpulan

Ditetapkan pada uji t-depedent ini bersifat 2 arah, nilai α sebesar 5% / 0,05 dengan
nilai dk = n -1 = 8-1 = 7. Maka berdasarkan tabel-t (terlampir) didapatkan nilai t-tabel
adalah 2,365. Berdasarkan perbandingan nilai t-tabel dan t-hitung, didapatkan nilai t-
hitung < t-tabel, sehingga Ho ditolak.

Kesimpulannya rata-rata populasi mikroflora, yaitu populasi bakteri sebelum dan

setelah penanaman tanaman tomat transgenic berbeda secara signifikan

2. Uji t-dependent dengan SPSS

Berdasarkan soal sebelumnya dengan data yang sama pada tabel 3.1 maka kita akan
lakukan analisis uji t-dependent dengan SPSS, sebagai berikut:
1. Buatlah variabel pada window variabel view ke dalam spss dengan ketentuan
seperti berikut:
 Name : Sblum_bakteri, ssudah_bakteri, dan seterusnya
 Measure : scale
2. Masukan data ke window data view sehingga tampak seperti ini:

17
3. Lakukan analisis uji t-dependent dengan memilih Analyze  compare means 
paired sample T test. Akan terlihat window seperti berikut

4. Pindahkan variabel yang akan dianalisis ke kolom paired variables (ingat data yang
dimasukkan harus data yang berpasangan !). lalu tekan “Ok”
5. Hasil analisis akan keluar pada windows outpu, yang terdiri atas 3 tabel.

Perhatikan tabel yang paling akhir dan anda akan mendapatkan nilai sig (2-tailed).
Sedangkan pada tabel pertama anda dapat mengetahui nilai rata-rata dari setiap
variabel

18
6. Menyajikan data dan menarik kesimpulan:
Kita dapat menyajikan data berpasangan dengan menampilkan data rata-rata
setiap variabel dan nilai signifikansi/P-value, seperti berikut:

Tabel Hasil Perbedaan Rata-Rata jumlah Mikroflora

Sebelum dan Sesudah Penanaman tomat transgenik
Rata-rata
variabel jumlah p-value
(cfu/mg)
Bakteri Sebelum 8 6,6
0.002
Sesudah 8 5,0
Jamur Sebelum 8 4,7
0.06
Sesudah 8 3,9
Acyto Sebelum 8 12,6
0.10
Sesudah 8 11,7

Kesimpulan:
Berdasarkan nilai signifikansi (p-value) didapatkan nilai yang kurang dari α (0,05)
adalah rata-rata jumlah bakteri saja, sehingga rata-rata jumlah mikroflora yang
berbeda sebelum dan sesudah penanaman tomat transgenic hanya bakteri saja.

LATIHAN SOAL:
Diabetes mellitus merupakan penyakit kronis yang ditandai dengan kadar glukosa
darah diatas normal. Untuk menurunkan kadar glukosa darah penderita diabetes
mellitus diperlukan penerapan pola makan yang sehat yaitu food combining. Terapi ini
akan diberikan kepada 15 orang penderita, dan kondisi kadar glukosa darah penderita
sebelum dan sesudah terapi sebagai berikut:
No Sebelum terapi Sesudah terapi
1 220 180
2 250 200
3 300 260
4 400 350
5 330 300
6 280 270

19
 7 200 180
8 240 190
9 270 245
10 320 300
11 310 280
12 290 260
13 300 260
14 245 200
15 299 260

Apakah ada perbedaan kadar glukosa darah sebelum dan sesudah dilakukan terapi?
Gunakan α=5%.

B. UJI KOMPARATIF UNTUK 2 SAMPEL TIDAK BERPASANGAN

Pada sub-bab ini kita masih akan melanjutkan pembahasan mengenai uji komparatif 2
sampel, namun pada sub-bab ini hubungan antar sampel tidak berpasangan. Secara
sederhana dapat digambarkan bahwa proses pengambilan sampel dilakukan sebanyak
2 kali berdasarkan pengkategorian yang ditetapkan sebelumnya.

Variabel Sampel (n1)

independent 1
(N1)

Variabel
independent 2 Sampel (n2)
(N2)

Gambar 3.2
Ilustrasi sampel berpasangan

Misalnya: Sebuah penelitian yang bertujuan untuk mengukur efektifitas kadar

imunitas, dari penambahan imunbooster vitamin C, untuk mengukur perbandingan

20
tersebut dilakukan pengukuran terhadap sampel yang diberikan imunoboster dan
sampel yang tidak diberikan imunoboster. Dengan kata lain dapat disimpulkan pada
terdapat 2 sampel yang tidak saling terkait, yaitu sampel yang mendapatkan
imunoboster yang sampel yang tidak mendapatkan imunoboster.

Perhitungan uji beda mean yang tidak berpasangan tetap diawali dengan uji
normalitas. Apabila didapatkan data berdistribusi normal, maka akan dilakukan “uji T-
tidak berpasangan”. Yang perlu diperhatikan pada uji T-tidak berpasangan ini adalah
adalah adanya perbandingan variasi antar kelompok, yang disebut dengan uji
homogenitas. Sedangkan pada data yang tidak berdistribusi normal, dilakukan uji non-
parametrik.

Uji Homogenitas
Sebagaimana disebutkan diatas, sebelum melakukan perhitungan uji beda T-tidak
berpasangan, kita akan melakukan uji homogenitas. Uji homogenitas ini ditujukan
untuk mengetahui variasi pada kedua kelompok sampel. Perbedaan variasi pada
keduanya akan mempengaruhi nilai standar error yang nantinya akan berpengaruh
terhadap perhitungan uji hipotesa.

Perhitungan uji homogenitas = F

𝑆12
𝐹= 𝑆22
, Df 1 = n1 – 1 dan Df 2 = n2 - 1

Pada uji F, varian yang lebih besar berfungsi sebagai pembilang dan varian yang lebih
kecil sebagai penyebut. Kritera pengujian uji homogenitas adalah Ho akan ditolak
(variasi antar kelompok adalah berbeda) apabila nilai F-hitung < F-tabel.

Uji-T tidak berpasangan untuk variasi sama

𝑋1 −𝑋2 (𝑛1−1)𝑆12 + (𝑛2−1) 𝑆22
𝑇= dan Sp2 =
𝑛1− 𝑛2 −2
𝑆𝑝√(1⁄𝑛1 )+(1⁄𝑛2)

21
Keterangan
n1 dan n2 adalah jumlah sampel pada kelompok 1 dan 2
S1 dan S2 adalah standar deviasi pada kelompok 1 dan 2

Uji-T tidak berpasangan untuk variasi berbeda

𝑋1−𝑋2
𝑇=
√(𝑆12 ⁄𝑛1 )+(𝑆22 ⁄𝑛2)

2
2 2
[(𝑆1⁄𝑛1 )+(𝑆2⁄𝑛2)]
df = 2 2
2 2
[(𝑆1⁄𝑛1 ) /(𝑛1 −1)] + [(𝑆2⁄𝑛2 ) /(𝑛2 −1)]

Keterangan
n1 dan n2 adalah jumlah sampel pada kelompok 1 dan 2
S1 dan S2 adalah standar deviasi pada kelompok 1 dan 2

Contoh kasus:
Teripang diindikasi memiliki efek dalam meningkatkan respon imun. Maka
dilakukan sebuah penelitian dengan cara membandingkan respon imun terhadap
hepar mencit yang telah terinfeksi e.colli. 2 kelompok mecit diberikan perlakukan
teripang yang berbeda, kelompok 1 mendapatkan ekstrak dari teripang
paracaudina australis (T1) , sedangkan kelompok 2 ekstrak terapi colochirus
quadrangularis (T2). Masing-masing dengan 6 kali pengulangan. Bakteri
Escherichia coli sebanyak 108 sel diinjeksikan pada hari ke-15 secara
intraperitoneal. Penentuan jumlah bakteri yang bermigrasi ke hepar dilakukan
dengan metode TPC (Total Plate Count) pada media EMB setelah inkubasi pada
suhu 37o C selama 24 jam. Penghitungan luasan area radang dilakukan dengan
menggunakan mikroskop yang dilengkapi graticulae pada lensa okulernya,
perbesaran 40x10. Tentukan pengaruh teripang pada kedua kelompok pada
tingkat kepercayaan 5%, dengan hasil pengamatan sebagai berikut:

22
 Tabel 3.2 rerata jumlah bakteri e.colli Tabel 3.3 Luas area peradangan pada
yang mencapai hepar (cfu/mg) hepar (µ/mm2)
Kelompok Kelompok
pengulangan pengulangan
T1 T2 T1 T2
1 5200 1000 1 7600 1800
2 5000 1500 2 7500 2000
3 4800 2300 3 7500 2000
4 4800 2200 4 7600 1800
5 5000 2400 5 7700 2200
6 5000 2400 6 7800 2200
rerata 4966,67 1966,67 rerata 7616,67 2000
Stnd_Deviasi 150,5 581,9 Stnd_Deviasi 116,9 178,8

Pada contoh diatas terdapat 2 parameter kita lakukan perhitungan uji beda pada 2 sampel
untuk data rerata jumlah bakteri yang terdapat pada hepar mencit. Pada kasus ini terdapat
2 sampel, namun karena setiap kelompok berbeda/tidak terkait maka jenis uji yang cocok
adalah uji t-independent (kita asumsikan data telah distibusi normal). Maka langkah
penyelesaiannya adalah sebagai berikut

1. Uji T-Independent secara manual

Langkah 1: menentukan hipotesis
Ho : tidak ada perbedaan rerata jumlah bakteri yang mencapai hepar mencit pada
kelompok teripang paracaudina australis (T1) dan kelompok teripang colochirus
quadrangularis (T2).
Ha : ada perbedaan rerata jumlah bakteri yang mencapai hepar mencit pada kelompok
teripang paracaudina australis (T1) dan kelompok teripang colochirus
quadrangularis (T2).

Langkah 2: menentukan homogenitas (uji F)

Ho : variasi antara kelompok sama
Ha : variasi anatar kelompok berbeda

𝑆12 (581,9)2
𝐹= 𝑆22
= (150,5)2
= 14,94  Maka F-hitung = 14,94

23
 Df 1 = n1 – 1 = 6 – 1 = 5
Df 2 = n2 – 1 = 6 – 1 = 5
Berdasarkan tabel F didapatkan nilau F-tabel 5,05
Karena F hitung > F tabel, maka disimpulkan Ho gagal ditolak dan kedua kelompok
sampel memiliki variasi yang sama

Langkah 3: menghitung uji t-indepedent

Berdasarkan uji homogenitas didapatkan hasil bahwa kedua kelompok sampel
memiliki variasi yang sama, maka adapaun perhitungan uji t-independent adalah

(𝑛1−1)𝑆12 + (𝑛2−1) 𝑆22 (6−1)(581,9)2 +(6−1)(150,5)2

Sp2 = 𝑛1− 𝑛2−2
= 8+8−2
= 180.628, 9

Sp = √180628,9 = 425
𝑋1 −𝑋2 1966,67−4966,67
𝑇= = 1 1
= -12.000
𝑆𝑝√(1⁄𝑛1 )+(1⁄𝑛2 ) 425 √ +
8 8

Langkah 4: menarik kesimpulan

Berdasarkan nilai t pada tabel didapatkan, bahwa nilai thitung > dari ttabel. Maka
disimpulkan bahwa terdapat perbedaan rata-rata jumlah e.colli pada kelompok
teripang ke-1 (t.paracaudina) dan kelompok ke-2 (teripang colohirus).

2. Uji T-Independent dengan SPSS

Berdasarkan soal yang sama, kita akan melakukan uji asumsi: uji homogenitas dan uji
t-independent dengan spss.
1. Buatlah variabel pada windows variabel view, dengan ketentuan berikut.
a. Variabel independent : jenis teripang dikelompokan dalam 1 kolom
Measure : scale
Value : value “1“  label “T.paracaudina”
Value “2”  label “T.colochirus”

24
 b. Varibel dependent : jumlah e.colli dan luas radang masing-masing dalam kolom
tersendiri
Measure : scale
2. Masukan data yang ada pada windows data view, dan apabila kita mengaktifkan
“value labels” akan terlihat seperti ini.

3. Untuk melakukan analisis pilih analyze  compare means  independent sampel

t-test, dan akan terlihat tampilan seperti berikut

4. Variabel indepedent dipindahkan ke test variabel(s). sedangkan variabel dependent

dimasukan ke grouping variable. Karena ini variabel dependent terdiri dari 2
kelompok maka kita tulisan “1” dan “2”. Setelah itu klik “OK”.

25
5. Hasil analisis terdiri atas 2 tabel, tabel pertama merupakan data deskriptif,
sedangkan tabel kedua merupakan hasil statistisk analitik. Pada tabel kedua
terdapat 2 kolom utama, yaitu levene’s test (uji homogenitas) dan t-test , sedangkan
pada baris terbagi menjadi 2, yaitu baris Equal variances assumed (variasi sama)
dan Equal variances not assumed (variasi tidak sama).

6. Kesimpulan
Pada uji t-independent, hasil dari uji homogenitas harus disimpulkan terlebih
dahulu, baru kemudian membaca hasil uji-t. Pada kolom levene’s test (uji
homogenitas) didapatkan nilai signifikansi rata-rata jumlah e.colli adalah 0,008
(lebih kecil dari α = 0,05). Sehingga diketahui bahwa variasi jumlah e.colli pada
kelompok teripang 1 dan teripang 2 berbeda/ tidak homogen.

Berdasarkan kesimpulan pada uji homogenitas maka, hasil uji-t yang akan kita lihat
adalah pada baris kedua (equal variances not assumed). Didapatkan nilai signifikasi
(2-tailed) sebesar 0,0001 yang lebih kecil dari α (0,05). Sehingga Ho ditolak.

Hasil analisis dapat ditampilkan sebagai berikut:

26
Tabel Hasil Perbedaan Rata-Rata jumlah bakteri e.colli dan luas daerah peradangan
pada pemberian ekstrak teripang
variabel jumlah Rata-rata p-value
Jumlah e.colli t. paracudina 6 49667 cfu/mg
0.0001
t. colochirus 6 19667 cfu/mg
Luas daerah t. paracudina 6 7617 µ/mm 2
0.0001
peradangan t. colochirus 6 2000 µ/mm2

“ rata-rata jumlah e.colli dan rata-rata luas daerah peradangan setelah pemberian
ekstrak teripang paracaudina berbeda signifikan dengan pemberian ekstra teripang
colochirus”

LATIHAN SOAL:

Di sebuah klinik swasta prevalensi anemia ibu hamil mencapai 30%. Angka ini
cukup tinggi karena anemia pada ibu hamil dapat mengakibatkan berat badan bayi
lahir rendah. Padahal setiap ibu hamil yang memeriksaan kehamilan di klinik ini
selalu diingatkan untuk rutin mengonsumsi tablet tambah darah. Hal ini mendorong
seorang peneliti ingin meneliti tentang apakah ada perbedaan kadar hemoglobin
(mg%) bumil trimester 3 antara yang mengonsumsi dan yang tidak mengonsumsi
tablet tambah darah? Adapun data kadar hemoglobin sebagai berikut:
Mengonsumsi tablet tambah darah Tidak mengonsumsi tablet tambah darah
13.0 10.1
12.1 9.5
12.5 7.8
11.9 8.7
12.9 9.3
13.3 8.9
13.7 7.9
12.8 11.0
13.0 11.2

27
 UJI STATISTIK BEDA RATA-RATA K SAMPEL

Pada sebuah penelitian, sering kali pembandingan yang dilakukan tidak terbatas pada
2 kelompok tapi bisa melebihi 2 kelompok. Pada kondisi tersebut, uji statistik yang
digunakan ada uji varian atau uji F atau disebut juga uji ANOVA (analysis of varians).
Berdasarkan faktor yang menimbulkan variansi, maka Uji ANOVA dibedakan menjadi
ANOVA one-way dan ANOVA two-way. ANOVA one-way digunakan apabila hanya ada 1
faktor yang diamati, sedangkan apabila faktor yang diamati > 2 digunakan uji ANOVA two-
way.
Sebagaimana uji paramaterik pada umumnya, maka pada uji ANOVA terdapat
beberapa prasyarat yang harus dipenuhi melalui uji asumsi, yaitu uji normalitas (data
terdistribusi normal) dan variasi sama (uji homogenitas).

A. UJI ANOVA one-way

Contoh Kasus
Berdasarkan hasil survei diketahui produktivitas susu sapi di Indonesia (8-10
liter/hari). Salah satu faktor penyebab rendahnya produktivitas susu sapi adalah
kurangnya nutrisi-mikro dan nutrisi-makro. Misalnya, kebutuhan Zinc (Zn) pada sapi
sebanyak 40-50mg/hari, sedangkan rata-rata kandungan pada makanan sapi saat ini
hanya 25-38 mg/hari. Maka dilakukan suplementasi temulawak pada ransum untuk
meningkatkan produksi susu. Salah sumber seng adalah dari temulawak maupun
suplemen zinc. Maka dilakukan penelitian untuk mengetahui efek pemberian suplemen
zinc dari berbagai sumber pada pakan sapi terhadap produktivitas susu sapi.
Perlakuan pemberian suplemen dibagi menjadi 4 kelompok, dengan masing-masing
kelompok terdiri atas 4 ekor (4 x pengulangan) yaitu:
T0 = ransum kontrol, tanpa tambahan
T1 = ransum dengan tambahan ekstrak temulawak
T2 = ransum dengan suplemen Zn proteinat
T3 = ransum +eks.temulawak + Zn proteinat

28
 Tabel Produksi Susu Sapi
Berdasarkan Pemberian Pakan sapi
Pengulangan Rata-rata
Perlakuan
1 2 3 4 (liter)
T0 28,6 26,7 27,8 27,5 27,65
T1 32,4 33,3 30,5 32,4 32.15
T2 33,4 33,0 32,4 33,0 32,95
T3 34,2 33,3 34,5 33,8 33,95

Penentuan hipotesis
Ho : tidak ada perbedaan rata-rata produktivias susu sapi pada tiap kelompok
pemberian pakan yang berbeda.
Ha : ada perbedaan rata-rata produktivias susu sapi pada tiap kelompok pemberian
pakan yang berbeda

Pada uji anova, apa didapatkan hasil Ha diterima/ ada perbedaan yang signifikan, maka
harus dilakukan ke uji-t (uji beda 2 sampel) untuk mengetahui, kelompok mana yang
berbeda.

1. Uji Anova one-way secara manual

Perhitungan manual uji anova adalah dengan menghitung nilai Fhitung. . Adapun tahapan
perhitungan dapat dilihat pada tabel berikut
Sumber JK db MK Fhitung
variasi
2 2 𝐽𝐾𝑎𝑛𝑡𝑎𝑟
Antar (∑ 𝑋𝑎)
JKantar = ∑ 𝑛𝑎 −
(∑ 𝑋𝑡𝑜𝑡𝑎𝑙) a-1 MKantar =
𝑁 𝑎−1
𝐽𝐾𝑑𝑎𝑙𝑎𝑚
Dalam JKdalam = JK Total – JK antar N-a MKdalam = 𝑁−𝑎
2
Total 2
JKtotal = ∑ 𝑋𝑡𝑜𝑡𝑎𝑙 −
(∑ 𝑋𝑡𝑜𝑡𝑎𝑙 ) N-1
𝑁

Ketentuan:
Apabila Fhitung. lebih besar dari Ftabel maka Ho ditolak, atau ada perbedaan yang
signifikan.

29
2. Uji Anova one-way dengan SPSS
Pada program spss, kita akan memasukan data berdasarkan variabelnya, yaitu variabel
dependent dan variabel independent, maka
1. Buatlah variabel data variabel dependent dan independent dengan ketentuan:
a. Variabel dependent : produksi_ susu
measure: scale
b. Variabel independent: perlakuan
measure : scale
Value : value “1” label “T0” ; value “2” label “ T1” dan seterusnya sesuai jumlah
kelompok yang ada.
2. Masukan data yang ada pada windows data view, dan apabila kita mengaktifkan
“value labels” akan terlihat seperti ini.

3. Analisis dilakukan dengan memilih analyze  compare means  one way ANOVA
sehingga terlihat tabel berikut:

30
 Pindahkan variabel dependent ke dalam dependent list sedangkan variabel
independent ke dalam kolom factors.

4. Mengingat uji asumsi yang harus dipenuhi pada uji Anova, yaitu uji homogenitas,
maka pada “Option” kita aktifkan “homogeneity of variance test”

5. Pada uji anova, apabila diketahui terdapat beda yang signifikan antar kelompok,
maka perlu dilanjutkan ke uji-t untuk membandingkan kelompok manakah yang
berbeda. Namun melalui fasilitas SPSS kita dapat mengaktifkan “Post Hoc” 
“bonferreni”.

6. Akan terlihat hasil pada windows output, terlihat 3 macam tabel. Yaitu tabel
homogenitas, tabel Anova dan tabel post hoc. Pada masing-masing tabel dapat
diambil kesimpulan sebagai berikut:

Berdasarkan tabel didapatkan nilai sig (0,39) lebih besar dari α (0,05), sehingga Ho
diterima dan disimpulkan bahwa variasi antar kelompok sama atau homogen.

Berdasarkan uji ANOVA, didapatkan nilai sig (0,0001) lebih kecil dari α (0,05),
sehingga Ho ditolak dan dapat disimpulkan bahwa terdapat perbedaan rata-rata
prosuktivitas susu sapi pada kelompok pemberian pakan yang berbeda.

31
 Pada penelitian ini, kelompok pemberian pakan terbagi menjadi lebih dari 2, maka
perlu diketahui kelompok manakah yang dinyatakan berbeda signikan. Hal tersebut
pada diketahui melalui tabel post hoc di bawah ini.

Pada hasil uji post-hoc bonforrenni kita akan mendapati kelompok yang berbeda
nyata, melalui nilai sig < α (0,05). Atau dengan memperhatikan tanda (*).
Berdasarkan tabel diatas didapati, rata-rata produkstivitas sapi susu berbeda
signifikan kelompok yang adalah antar T0 – T1 (kelompok ransum dengan
kelompok ransum + ekstrak temulawak) T0 – T2 (kelompok ransum dengan
kelompok ransum + ekstrak suplemen Zn ) dan T0 – T3 (kelompok ransum dengan
kelompok ransum + ekstrak temulawak dan suplemen Zn ).

LATIHAN SOAL:

Penambahan zat pewarna pada makanan dan minuman akan menimbulkan daya tarik
tersendiri bagi konsumen. Zat pewarna buatan sudah sejak lama disalahgunakan oleh
pihak yang tidak bertanggung jawab. Diantaranya Rhodamin B yaitu zat pewarna tekstil
yang akan menyebabkan gangguan kesehatan apabila digunakan sebagai pewarna
makanan. Mengonsumsi Rhodamin B berlebihan dapat menyebabkan kanker hati dan
kerusakan ginjal.

32
Untuk mengetahui efek penggunaan Rhodamin B, seorang peneliti meneliti tentang efek
pemberian Rhodamin B terhadap struktur histologis ginjal mencit putih. Mencit dibagi
secara acak menjadi 4 kelompok, yaitu kelompok kontrol negative, dosis I, dosis II, dan
dosis III. Kelompok dosis diberikan Rhodamin B masing-masing 3,5 mg/gBB, 7 mg/gBB,
dan 14 mg/gBB. Diperoleh data rata-rata persentase kerusakan glomerulus ginjal mencit
yang diberi Rhodamin dengan dosis dan lama pemberian tertentu sebagai berikut:

Perlakuan Lama pemberian Rata-rata

Dosis Rhodamin B B0 (0 hari) B1 (7 hari) B2 (14 hari) B3 (21 hari)
A0 (0 mg/gBB) 5.629 6.313 11.820 35.797 14.890
A1 (3.5 mg/gBB) 35.383 52.831 53.106 37.262 44.645
A2 (7 mg/gBB) 48.000 59.124 63.111 77.293 61.882
A3 (14 mg/gBB) 56.403 81.953 78.360 93.152 77.467
Rata-rata 36.354 50.055 78.360 60.876

B. UJI ANOVA two-way

Secara garis besar, uji anova two-way terdiri atas uji anova two-way dengan interaksi
dan uji anova two-way tanpa interaksi. Pada buku ini, kita akan memfokuskan pada uji
anova two-way dengan interaksi. Yang dimaksud dengan interaksi disini adalah
memperhatikan interaksi antara faktor A dan B secara bersama terhadap variabel
dependent. Adapun yang ditampilkan pada statistik ini adalah nilai signifikansinya,
sedangkan konsep interaksi antara A dan B perlu dipahami berdasarkan teori atau
keilmuan yang telah ada. Misalnya konsep biosistematika dari interaksi antara hormon
FSH dan LH terhadap pematangan sel telur, ada tidaknya interaksi pada kedua
hormone perlu dipahami berdasakan teori reproduksi. Sedangkan pada statistic hanya
diukur besar signifikansi kedua hormone terhadap pematangan telur.

Contoh kasus
Proses pertumbuhan tanaman dapat dipengaruhi oleh pemberian pupuk dan
penyiraman yang tepat. Dilakukan sebuah percobaan untuk mengetahui pemberian
pupuk dan penyiraman yang paling maksimal terhadap hasil pertumbuhan tanaman
jagung. Pada faktor pemumpukan dikelompokkan menjadi pupuk dengan dosis 3%,
5% dan 7%, sedangkan pada penyiraman dikelompokan menjadi penyiraman

33
 1x/minggu, 3x minggu dan tidak ada penyiraman. Pada tanaman jagung dilakukan
pengukuran terhadap tinggi tanaman, dan jumlah bongkol yang dihasilkan.
Didapatkan hasil seperti pada tabel berikut:

Tabel Tinggi Tanaman Jagung berdasarkan Dosis Pupuk dan

Frekuensi Penyiraman
Dosis pupuk 3% Dosis pupuk 2% Dosis 1%
Tidak ada 10 11 9,7
penyiraman (S0) 9,5 12,5 10,2
10 12,8 9,8
9,8 12,5 10,3
Penyiraman 12,8 10 10,6
1x/minggu (S1) 12,3 9,3 11,2
12 9,6 11,5
12,6 10 10,8
Penyiraman 11,8 9,8 10,6
3x/minggu (S2) 11,5 9,9 11,8
10,5 8,9 10,2
10,8 10,2 10,6

Tabel Jumlah Bongkol Jagung berdasarkan Dosis Pupuk dan

Frekuensi Penyiraman
Dosis pupuk 3% Dosis pupuk 2% Dosis 1%
(D3) (D2) (D0)
Tidak ada 3 4 3
penyiraman (S0) 3 2 3
4 3 5
3 2 4
Penyiraman 4 4 3
1x/minggu (S1) 5 4 3
3 5 2
3 5 2
Penyiraman 6 6 4
3x/minggu (S2) 6 7 3
5 7 2
5 8 4

Penentuan hipotesis

Ho : Tidak ada perbedaan rata-rata tinggi tanaman dan jumlah bongkol jagung pada
kelompok pemberian dosis pupuk yang berbeda.

34
 : Tidak ada perbedaan rata-rata tinggi tanaman dan jumlah bongkol jagung pada
kelompok pemberian pemberian frekuensi penyiraman yang berbeda

: tidak ada perbedaan rata-rata tinggi tanaman dan jumlah bongkol jagung pada
kelompok interaksi dosis pupuk dan frekuensi penyiraman yang berbeda

Ha : ada perbedaan rata-rata tinggi tanaman dan jumlah bongkol jagung pada kelompok
pemberian dosis pupuk yang berbeda.

: ada perbedaan rata-rata tinggi tanaman dan jumlah bongkol jagung pada kelompok
pemberian pemberian frekuensi penyiraman yang berbeda

: ada perbedaan rata-rata tinggi tanaman dan jumlah bongkol jagung pada kelompok
interaksi dosis pupuk dan frekuensi penyiraman yang berbeda

1. Uji Anova two-way secara manual

Pada uji anova two-way karena terdapat 3 hipotesa, maka akan ada 3 nilai Fhitung yang
akan

Sumber Jumlah db Rata kuadrat Fhitung

varians kuadrat
Rata-rata JKB b-1 𝐽𝐾𝐵 𝑆12
𝑆12 = 𝐹1 =
baris 𝑑𝑏 𝑆42
Rata-rata JKK k-1 2
𝐽𝐾𝐾 𝑆22
𝑆2 = 𝐹2 = 2
kolom 𝑑𝑏 𝑆4
Interaksi JK1 (b-1)(k-1) 2
𝐽𝐾1 𝑆32
𝑆3 = 𝐹3 = 2
𝑑𝑏 𝑆4
kolom JKE Bk (n-1) 𝐽𝐾𝐸
𝑆42 =
𝑑𝑏

2. Uji Anova Two-way dengan SPSS

Pada program spss, kita akan memasukan data berdasarkan variabelnya, yaitu variabel
dependent dan variabel independent, maka
1. Buatlah variabel dengan ketentuan berikut:
Variabel dependent : tinggi_tanaman dan jmlh_bongkol
measure: scale
Variabel independent: perlakuan terdapat 2  Siram dan pupuk
measure : scale

35
 c. Value : value “1” label “S0” ; value “2” label “ S1” dan seterusnya sesuai jumlah
kelompok yang ada. Berikan value juga pada variabel pupuk, sesuai dengan
pengelompokannya
2. Masukan data yang ada pada windows data view, dan apabila kita mengaktifkan
“value labels” akan terlihat seperti ini.

3. Analisis dilakukan dengan memilih analyze  General Linear Models  univariate

sehingga terlihat tabel berikut:

36
 Perlu diperhatikan bahwa pada uji anova two-way ini, hanya dapat dimasukkan
satu jenis variabel dependent, sedangkan variabel independent (faktor) dapat
dimasukan ke kolom fixed factor bersamaan.

4. Pada uji Anova two-way kita juga akan mengaktifkan tes homogenitas pada options
dan mengaktifkan post hoc, kemudian klik “OK”

5. Didapatkan beberapa tabel hasil statistik. Tabel yang perlu diperhatikan antara
lain, tabel levene’s test (uji homogenitas) dan tabel test of between subject (uji
ANOVA two-way).

Berdasarkan tabel levene’s test didapatkan nilai sig 0,262 (lebih besar dari α = 0,05)
sehingga Ho diterima dan data variabel tinggi tanaman dinyatakan homogeny pada
setiap kelompok perlakuan.
Pada tabel berikutnya kita perhatikan 3 nilai sig yaitu

37
 nilai sig siram = 0,056 (lebih besar dari α = 0,05)  Ho diterima
Nilai sig pupuk = 0,01 (lebih kecil dari α = 0,05)  Ho ditolak
Nilai sig Siram*Pupuk = 0,0001 (lebih kecil dari α = 0,05)  Ho ditolak.
Kesimpulan:
Faktor penyiraman, tidak memberikan perbedaan yang signifikan terhadap tinggi
tanaman jagung, namun faktor pupuk memberikan perbedaan yang signifikan
terhadap tinggi tanaman jagung, begitu pula faktor interaksi antara faktor
penyiraman dan faktor pemberian pupuk.

6. Pada tabel post hoc kita dapat memperhatikan tabel multiple comparasion.
Pengamatan post hoc pada Anova two-way dan Anova One-way adalah sama.

LATIHAN SOAL:

Banyak kasus gizi kurang yang terjadi di masyarakat menyebabkan pemerintah

menggalakkan program peningkatan gizi balita. Para ahli gizi melakukan penelitian untuk
membuat variasi menu makanan tambahan dengan prinsip gizi seimbang yang dapat
meningkatkan status gizi balita.

Penelitian dilakukan dengan mempelajari pengaruh penambahan tepung dari biji-bijian

(kacang hijau, beras merah, wijen) dan penambahan ekstrak sayuran (wortel, bayam dan
selada). Diambil sampel sebanyak 27 balita (yang dipilih secara acak) dan peningkatan
berat badan setelah 3 bulan PMT adalah sebagai berikut :

Tepung biji-bijian
Ektrak Sayuran Kacang hijau Beras Merah Wijen
3.2 2.7 3.5
Wortel 3.3 2.9 3.4
3.4 2.4 3.5
3.9 3.8 3.7
Bayam 2.9 3.7 3.0
3.5 3.3 3.1
2.6 2.5 2.8
Selada 2.8 2.4 3.0
3.0 2.8 3.3

Apakah penambahan tepung biji-bijian dan ekstrak sayuran tersebut memberikan efek
yang sama terhadap peningkatan berat badan balita?

38
 ANALISIS KORELASI REGRESI

A. Analisis Korelasi
Analisis hubungan korelasi adalah suatu bentuk analisis data dalam penelitian yang
bertujuan untuk mengetahui kekuatan atau bentuk arah hubungan diantara dua variabel
atau lebih, dan besarnya pengaruh yang disebabkan oleh variabel yang satu (variabel
bebas) terhadap variabel lainnya (variabel terikat). Koefisien korelasi adalah bilangan
yang menyatakan kekuatan hubungan antara dua variabel atau lebih atau dapat
digunakan untuk menentukan arah dari kedua variabel.

Nilai koefisien korelasi (r) berkisar -1 ≤ r ≤ 1. Besar kekuatan hubungan dinyatakan

dengan angka, sedangkan arah hubungan dinyatakan dengan dalam bentuk positif (+)
atau negatif (-).

Apabila r = -1 artinya korelasi negatif sempurna

Hal ini menunjukkan bahwa terjadi hubungan bertolak belakang antara variabel x
dan variabel y. bila variabel x naik, maka variabel y turun
Apabila r = 1 artinya korelasi positif sempurna
Hal ini menunjukkan bahwa terjadi hubungan searah variabel x dan y. Bila variabel
x naik maka variabel y juga naik.

Sedangkan, kekuatan hubungan korelasi dinyatakan berdasarkan tabel berikut

No Nilai koefisien (r) Tingkat hubungan
1 0,00 – 0,199 Sangat lemat
2 0,20 – 0,399 Lemah
3 0,40 – 0,599 Cukup
4 0,60 – 0,799 Kuat
5 0,80 – 0,10 Sangat kuat

39
Contoh kasus :
Keadaan hiperglikemia dapat menyebabkan stres oksidatif melalui beberapa. Mekanisme
salah satunya melalui reaksi glikasi non enzimatik yang dapat membentuk advanced
glycation end products (AGEs) dan advanced oxidation protein products (AOPP).
Terbentuknya senyawa tersebut menunjukkan terjadinya stres oksidatif yang dapat
menyebabkan berbagai kerusakan molekuler, sel, dan jaringan, termasuk kerusakan
protein kolagen tulang. Penelitian ini bertujuan untuk mengetahui hubungan hiperglikemia
dengan kadar AOPP tulang pada tikus putih (Rattus norvegicus) hiperglikemia.

Ketentuan hipotesis
Ho: Tidak terdapat hubungan antara kadar gula darah dengan kadar AOPP
Ha: Ada hubungan antara kadar gula darah dengan kadar AOPP

1. Analisis korelasi secara manual

Pada buku ini kita akan membahas korelasi pearson, yaitu koefisien korelasi antara 2
data yang berskala ratio, atau analisis korelasi untuk statistik parametrik.

𝑁. ∑ 𝑥. 𝑦 − ∑ 𝑥 ∑ 𝑦
𝑟=
√{𝑁. ∑ 𝑋 2 } − (∑ 𝑋)2 } {𝑁. ∑ 𝑌2 } − (∑ 𝑌)2

Setelah didapatkan nilai r hitung , dilakukan perbandingan r tabel untuk mengetahui

signifikansinya. Apabila r hitung lebih besar, maka dinyatakan korelasinya signifikan.

2. Analisis korelasi dengan SPSS

Pada analisis korelasi, kedua variabel yang diamati memiliki skala numerik atau ratio,
sehingga pada tahap awal
1. Pembuatan variabel pada variabel view: kadar AOPP dan kadar gula darah 
measure : scale
2. Memasukan data pada data view
3. Melakukan analisis korelasi dengan tahap, analyze  correlate  bivariate, hingga
muncul tampilan berikut.

40
 4. Pindahkan variabel yang hendak dianalisis ke kolom variables. Kemudian aktifkan
correlation coefficients, pada buku ini kita memilih “pearson”. Kemudian pilih OK
5. Didapatkan hasil seperti ini

6. Kesimpulan
didapatkan nilai pearson correlation + 0,956 dengan tanda (*) . Maka dapat
disimpulkan korelasi kadar gula dengan kadar AOPP memiliki korelasi yang
sebanding (kenaikan kadar gula akan diikuti dengan kenaikan kadar AOPP) dengan
kekuatan korelasi yang sangat kuat dan signifikan.

LATIHAN SOAL:
dr Anton sebagai kepala Puskesmas di Kecamatan Sukamaju. di Puskesmas ini kunjungan
ibu hamil sangat rendah sehingga status gizi ibu hamil tidak terpantau dan kejadian BBLR
sangat tinggi. Oleh karena itu dr Anton ingin meneliti untuk mengetahui apakah ada
hubungan status gizi ibu hamil dengan berat bayi lahir. Adapun data status gizi ibu hamil
dan berat bayi lahir sebagai berikut:

41
 No Status gizi bumil Berat bayi lahir
1 25.5 2950
2 32.0 3150
3 22.6 2400
4 20.6 2400
5 23.5 2450
6 27.2 2600
7 22.5 2400
8 23.5 2600
9 19.7 2900
10 24.6 2600
11 25.7 2600
12 22.5 2400
13 29.2 2800
14 21.5 2300
15 32.0 2900
16 24.0 2700
17 23.5 2500
18 25.0 2900
19 27.0 3100
20 20.0 2450
21 19.0 2600
22 25.0 2700
23 28.0 2900
24 28.0 2950
25 26.0 2600
26 22.0 2400

B. Analisis Regresi
Regresi linier merupakan salah satu alat yang dapat digunakan dalam memprediksi
permintaan di masa yang akan datang berdasarkan data masa lalu atau untuk
mengetahui pengaruh satu variabel bebas terhadap satu variabel terikat. Secara
garis besar analisis regresi terbagi menjadi 3, yaitu: analisis regresi linear, analisis
berganda dan analisis non-linear. Pada buku ini kita hanya akan membahas 2 jenis
regresi saja yaitu regresi linear dan regresi berganda, sedangkan regresi non linear
akan dibahas lebih lanjut pada statistik non-parametrik

42
Regresi linear sederhana : Y = a+ bx
Regresi linear berganda : Y = a + b 1x1 + b 2x2 +... b n xn +

Keterangan:
Y = variabel terikat,
X1 = variabel bebas pertama, X2 = variabel bebas kedua
a dan b1 serta b2 = konstanta

Sebelum melanjutkan melakukan analisis regresi terdapat 4 uji asumsi yang harus
dipenuhi dalam melakukan analisis regresi linear dan regresi berganda, (3 uji
asumsi pertama khusus untuk analisis regresi berganda):
a. Uji autokorelasi bertujuan untuk menguji apakah ada hubungan otomatis
antara variabel dependent dengan variabel independent
b. Uji Mulktiolineritas bertujuan untuk menguji apakah antar variabel
independent mempunyai hubungan langsung (berkorelasi) sempurna
c. Uji heteroskedastisitas bertujuan untuk memastikan bahwa data bersifat
heterogen
d. Uji linearitas untuk mengetahui apakah antara variabel berpola linear

1. Analisis regresi linear dengan SPSS

Berdasarkan soal yang sama pada uji korelasi, maka kita lanjutkan ke analisis
regresi
1. Masukan kedua variabel yang hendak dibuat persamaaan regresi (variabel
terikat dan variabel bebas)
2. Pilih analyze  regression.
Kemudian masukan kedua variabel ke masing-masing kolom, seperti pada
gambar

3. Klik “Ok” dana akan muncul hasil seperti berikut

43
 4. Kesimpulan
a. Tabel 1 menujukkan nilai korelasi (‘R), yaitu 0,956. Kesimpulannya
sama dengan uji korelasi sebelumnya
b. Tabel 2 menunjukkan hasil dari uji asumsi linearitas dengan niai sig.
0,011 (lebih kecil dari α = 0,05). Hal ini menunjukan bahwa variabel
kadar gula dan kadar AOPP memiliki pola yang linear
c. Tabel 3 menunjukkan nilai konstanta 3,481 dan nilai koefisien kadar
gula 0,816. Sehingga didaptkan persamaan
i. Kadar AOPP = 0,816 * kadar gula + 3,481

LATIHAN SOAL:
Tekanan darah tinggi atau hipertensi merupakan kondisi kronis di mana
tekanan darah pada dinding arteri meningkat. Penyakit ini sering dikenal
sebagai pembunuh diam-diam karena tidak memiliki gejala yang jelas. Menurut
data Riset Kesehatan Dasar (Riskesdas) pada tahun 2013 menunjukkan bahwa
penderita hipertensi yang berusia di atas 18 tahun mencapai 25,8 persen dari
jumlah keseluruhan penduduk Indonesia. Sedangkan yang terdiagnosis oleh
tenaga kesehatan hanya mencapai sekitar 9,4 persen. Ini artinya masih banyak
penderita hipertensi yang tidak terjangkau dan terdiagnosa oleh tenaga
kesehatan dan tidak menjalani pengobatan sesuai anjuran tenaga kesehatan. Hal

44
 tersebut menyebabkan hipertensi sebagai salah satu penyebab kematian
tertinggi di Indonesia.
Untuk melakukan pencegahan hipertensi maka perlu dilakukan perubahan gaya
hidup diantaranya adalah dengan mengurangi atau bahkan berhenti merokok.
Untuk mengetahui lebih jauh maka peneliti melakukan penelitian tentang
pengaruh merokok terhadap kejadian hipertensi. Data sebagai berikut:
Jumlah batang rokok/hari Tekanan darah diastolik
10 90
12 90
8 98
9 95
15 100
6 100
8 93
10 87
12 88
8 86
10 105
14 110
12 90
6 85

2. Analisis regresi berganda dengan SPSS

Berdasarkan soal yang sama pada analisis regresi linear, kita tambahkan data
kadar lemak LDL sebagai variabel bebas kedua yang diduga mempengaruhi
kadar AOPP.
1. Masukan kedua variabel yang hendak dibuat persamaaan regresi (variabel
terikat dan variabel bebas)
2. Pilih analyze  regression.
Kemudian masukan variabel ke masing-masing kolom, seperti pada gambar

45
3. Aktifkan uji autokorelation dan uji multikoreliniearitas pada statistic

4. Aktifkan uji heterokedastisitas dan uji normalitas

46
5. Klik Ok hingga didapatkan hasil sebagai berikut

Uji autocorrelation
Koefisien determinasi

Uji Stimulan (uji F)

Uji partial (uji t)

Uji multikolinieritas

6. Kesimpulan
a. Tabel 1 : menunjukkan nilai korelasi/ R = 0.979. Hal ini menunjukkan
korelasi antara kadar gula darah dan LDL terhadap kadar AOPP sangat
kuat dan bersifat positif.
b. Selain itu pada tabel 1, terdapat hasil dari uji asumsi autokorelasi (uji
durbin-watson) dengan nilai sig 3.27 ( lebih besar dari α = 0,05). Hal ini
menunjukkan bahwa tidak ada hubungan yang otomatis dari tiap variabel
(asumsi terpenuhi).
c. Tabel 2 menunjukkan hasil dari uji asumsi linearitas dengan niai sig.
0,011 (lebih kecil dari α = 0,05). Hal ini menunjukkan bahwa variabel
kadar gula, kadar LDL dan kadar AOPP memiliki pola yang linear
d. Tabel 3: menunjukkan uji asumsi multikolinearitas, dengan nilai VIF
1,791 (nilai VIF > 10), sehingga disimpulkan tidak ada hubungan
langsung antara variabel bebas (asumsi terpenuhi)
e. Apabila setiap asumsi telah terpenuhi, maka pada tabel 3, kita kan
dapatkan nilai konstanta 3,338 dan koefesien untuk kadar gula dan kadar
LDL sebesar 0,66 dan 0,33. Sehingga didapatkan persamaan
f. Kadar AOPP = 0,66 * kadar gula + 0,33* kadar LDL + 3,338

47
LATIHAN SOAL:

Angka kejadian bayi berat badan lahir rendah (BBLR) di dunia mencapai 15,5%. Dan
90% dari kasus tersebut terjadi di negara-negara berkembang. Menurut data tahun
2014 di Indonesia angka bayi BBLR mencapai 11,1%. Angka ini terus mengalami
peningkatan 11,7 % tahun 2015 dan 12,2% tahun 2016. Selain menurunkan kualitas
tumbuh kembang anak, bayi BBLR juga memiliki risiko meninggal lebih tinggi
dibandingkan bayi dengan bobot lahir normal. Karena itu, seorang peneliti ingin
mengetahui faktor penyebab meningkatnya kejadian BBLR dengan meneliti
pengaruh status gizi dan kadar hemoglobin ibu hamil terhadap kejadian BBLR.
Penelitian dilakukan secara acak dengan responden sebanyak 26 ibu hamil. Adapun
data status gizi ibu hamil dan kadar hemoglobin sebagai berikut:

No Status gizi bumil Kadar hemoglobin Berat bayi lahir

1 25.5 11.2 2950
2 32.0 11.6 3150
3 22.6 10.3 2400
4 20.6 8.9 2400
5 23.5 10.1 2450
6 27.2 9.9 2600
7 22.5 10.5 2400
8 23.5 9.5 2600
9 19.7 9.7 2900
10 24.6 11.4 2600
11 25.7 11.2 2600
12 22.5 10.0 2400
13 29.2 10.0 2800
14 21.5 10.0 2300
15 32.0 8.6 2900
16 24.0 8.7 2700
17 23.5 8.3 2500
18 25.0 9.0 2900
19 27.0 12.3 3100
20 20.0 12.0 2450
21 19.0 11.9 2600
22 25.0 11.6 2700
23 28.0 10.9 2900
24 28.0 10.7 2950
25 26.0 10.8 2600
26 22.0 10.1 2400

48
 DAFTAR PUSTAKA

Hastono, Sutanto Priyo. 2007. Analisis Data Kesehatan. Modul: Fakultas Kesehatan
Masyarakat. Jakarta: UI.

Sabri, Luknis., Hastono, Susanto Priyo. 2011. Statistik Kesehatan. Depok: Rajagrafindo
Persada.
Sugiyono. 2015. Statistik Nonparametris Untuk Penelitian. Bandung: Alfabeta

Sunyoto, Danang., Setiawan, Ari. 2013. Buku Ajar: statistic Kesehatan. Yogyakarta: Nuha
Medika

49
 Tentang Penulis

Esti Tyastirin, menyelesaikan pendidikan Sarjana Kesehatan

Masyarakat (SKM) di Fakultas Kesehatan Masyarakat Universitas
Indonesia pada tahun 2009 dengan peminatan Epidemiologi.
Kemudian memperoleh gelar Magister Kesehatan (M.KM)
Masyarakat dari Universitas Indonesia pada peminatan Kesehatan
Lingkungan di tahun 2013. Akademisi profesional ini memiliki
ketertarikan terhadap kajian kesehatan lingkungan dan dampaknya terhadap komponen
biotik maupun abiotik. Mulai tahun 2014 hingga saat ini beliau tercatat sebagai Dosen di
Prodi Biologi Fakultas Sains dan Teknologi Universitas Islam Negeri Sunan Ampel
Surabaya.
Penulis dapat dihubungi di : esty50@gmail.com

Irul Hidayati, memperoleh gelar Sarjana Kesehatan Masyarakat

(SKM) di Fakultas Kesehatan Masyarakat Universitas Airlangga
pada tahun 2004 dengan peminatan Biostatistik. Kemudian
menempuh pendidikan S2 pada tahun 2009 s/d 2011 dan
memperoleh gelar Magister Kesehatan Masyarakat (M.Kes) dari
Universitas Airlangga dengan peminatan Gizi Kesehatan
Masyarakat. Staf pengajar sekaligus penggiat organisasi keilmuan yang tergabung dalam
wadah PERSAKMI ini memiliki ketertarikan kuat terhadap kajian gizi dan hubungannya
dengan status kesehatan. Semenjak tahun 2014 hingga hari ini beliau tercatat sebagai
Dosen di Prodi Biologi Fakultas Sains dan Teknologi di Universitas Islam Negeri Sunan
Ampel Surabaya.
Penulis dapat dihubungi di : irulhidayati.alfatawi@gmail.com