BAB I
SPSS FOR WINDOWS
SPSS merupakan kependekan dari Statistical Program for Social Science. SPSS adalah salah satu dari
sekian banyak program aplikasi komputer untuk menganalisis data statistik. Selain SPSS program aplikasi yang
telah banyak beredar adalah Minitab, Microstat, SAS, STATA, EPI-info dll. SPSS banyak membantu
memecahkan berbagai permasalahan statistik ilmu-ilmu sosial. Namun demikian fleksibilitas yang dimilikinya
menyebabkan berbagai problem analisis data diluar ilmu sosial dapat juga diatasi, Misalnya dibidang
kedokteran, biologi dan pertanian.
BAB II
MEMPERSIAPKAN DATA
Data yang dapat dibaca oleh SPSS adalah data dengan tipe *.sav(SPSS), *.Xls(exel),*dbf (data base),
*. W (lutos) .
MENDEFINISIKAN VARIABEL
1. Pilih sembarang sel dimana variabel akan didefinisikan.
2. Klik data pilih Define variabel atau sel tersebut diklik 2x atau pilih variable view.
TYPE
Ada 8 tipe variabel :
1. Numeric. 5. Date
2. Comma. 6. Dolar
3. Dot. 7. Custom currency
4. Scientihic notation. 8. String
Date adalah tipe alphanumeric dan String adalah tipe alphabet, sedangkan yang lain adalah tipe numeric.
WIDTH
Untuk menentukan jumlah karakter yang dibutuhkan dalam pengisian data
DECIMALS
Untuk menentukan jumlah angka dibelakang koma
LABEL
Label digunakan untuk menentukan label variabel. Contoh label variabel SEX adalah “Jenis Kelamin”.
VALUE
Value digunakan untuk menentukan harga dari variabel tersebut(bila diperlukan). Pada kotak value label
terdapat 2 kotak isian dan 3 tombol pendukung yang digunakan untuk pendefinisian label variabel berbentuk
kategori. Dengan cara sebagai berikut :
1. Pada kotak value isi dengan angka 1.
2. Pada kotak value label, isi dengan “laki-laki”
3. Tekan tombol Add.
4. Pada kotak value isi dengan angka 2.
5. Pada kotak value label, isi dengan “perempuan”
6. Tekan tombol Add.
7. Tekan continue.
MISSING VALUE
Missing value adalah harga yang hilang adalah suatu istilah yang digunakan oleh SPSS untuk
mendeklarasikan data yang hilang/tidak lengkap. Hal ini diperhatikan karena data yang hilang akan sangat
berpengaruh pada hasil pengolahan maupun analisis dari keseluruhan data.
COLUMN FORMAT
Berguna untuk menentukan lebar kolom variabel dan untuk menentukan jenis peratannya.
2
ALIGN
Digunakan untuk menentukan letak data. Pada Align terdapat 3 pilihan yatiu left, right dan center.
MEASURE
Digunakan untuk menentukan skala data
PEMASUKAN DATA
Sebelum memasukkan data anda harus membuat variable di Variable View. Berikut adalah contoh pembuatan
variable.
Mengisi data
Setelah variabel dibuat data dapat diisi sesuai dengan variable view yang telah dibuat. Pengisian data dilakukan
di Data View
Tabel 2. Contoh Data
no_res na_res tgl_lah tgl_uk jen_kel bb tb
1 bambang sumantri 12.12.1997 17.10.2012 laki-laki 57,60 163,50
2 agus wismoyo 24.11.1998 17.10.2012 laki-laki 55,50 155,50
3 ahmad dahlan 02.10.1997 17.10.2012 laki-laki 45,50 154,00
4 Kosanah 02.01.1998 17.10.2012 perempuan 40,00 155,80
5 Ninik 12.08.1995 17.10.2012 perempuan 60,00 170,50
6 Saraswati 08.02.1996 17.10.2012 perempuan 58,80 172,50
7 dyah krisnatuti 12.04.1997 17.10.2012 perempuan 55,00 153,20
8 kliwon sutiyoso 24.06.1998 17.10.2012 laki-laki 56,60 150,50
9 endang kusniyah 25.09.1996 17.10.2012 perempuan 59,50 160,40
10 Susanti 20.10.1994 17.10.2012 perempuan 54,50 158,50
11 Triastuti 17.08.1994 17.10.2012 perempuan 45,50 157,00
12 Kusumawati 01.08.1995 17.10.2012 perempuan 57,50 164,20
13 Muhammad 12.12.1996 17.10.2012 laki-laki 60,60 156,20
14 Sutrisno 12.10.1995 17.10.2012 laki-laki 65,60 145,00
15 titik sundari 12.07.1994 17.10.2012 perempuan 67,50 150,00
MENYISIPKAN DATA
1. Menyisipkan variabel (kolom) :
a. Pindahkan penunjuk sel pada kolom yang akan disisipi
b. Klik Edit : Insert variabel.
2. Menyisipkan kasus (baris):
a. Pindahkan penunjuk sel pada baris yang akan disisipi
b. Klik Edit : Insert case.
PENGURUTAN
Kasus dapat diurutkan berdasarkan satu atau beberapa variabel. Pilih perintah Sort Cases pada menu Data.
Pindahkan satu variabel kekotak sort by, maka variabel tersebut akan dijadikan dasar pengurutan data. Pda
kotak sort order, anda dapat menentukan model pengurutannya, yakni ascending (dari kecil ke besar) atau
descending (dari besar ke kecil).
3
SELESKSI CASE
Dengan perintah seleksi case anda dapat menentukan (memilih) case-case yang akan diikutsertakan
dalam analisis selanjutnya.
Terdapat 5 pilihan untuk menentukan dasar penyeleksian kasus
All cases. Seluruh kasus pada file kerja akan diikutsertakan dalam analisis data selanjutnya dalam analisis
data selanjutnya.
If condition is satisfied. Digunakan untuk memilih case-case yang memenuhi kondisi logika tertentu.
Tekanlah tombol If… untuk menentukan kondisi logika tersebut.
Random sample of cases. Digunakan bila anda hendak menggunakan case-case random untuk pemrosesan
data (menentukan sampel data random dari populasi). Tekanlah tombol Sample … untuk menentukan
ukuran sampel data tersebut.
Ada dua pilihan pada kotak dialog ini :
Aproximatly_ % of all case. Untuk menentukan presentase case yang akan diproses dari seluruh case
pada file data anda. Masukkan bilangan antara 1 s/d 99 pada kotak yang tersedia.
Exactly_case from the first_case. Untuk menentukan proporsi sampel yang akan digunakan.
Masukkan bilangan pada dua buah kotak yang tersedia dimana isi pada kotak yang pertama harus lebih
kecil dari isi kotak yang kedua. Pilihan ini akan menghasilkan sebuah variabel baru yang oleh SPSS
diberi nama FILTER $.
Based on time or case range. Digunakan bila anda hendak memproses case-case yang berada dalam
interval tertentu. Tekanlah tombol Range … untuk menentukan batas interval tersebut
Use filter variable. Digunakan bila anda hendak menggunakan vaue-value dari variabel-variabel numerik
yang tersedia pada kotak listing variabel untuk mengontrol case filter. Pindahkan saaaalah satu variabel
numerik tersebut ke kotak yang tersedia untuk dijadikan variabel filter. Case-case dimana pada vaaariabel
filternya berharga 0 tidak akan diikiutsertakan dalam analisis.
Berikut contoh penggunaan If condition is satisfied. Tekanlah tombol If… untuk menentukan kondisi
logika tertentu. Pada kotak dialog gambar 6. Anda dapat mengcopykan nama variabel ke kotak ekspresi,
menentukan angka dan operator dari calculator pad dan mengcopy fungsi dari daftar fungsi. Bila anda
menggunakan konstantang string, maka anda harus menuliskannya dalam tanda petik. Pilihan ini akan
menghasilkan sebuah variabel baru yang oleh SPSS diberi nama FILTER $.
BAB III
TRANSFORMASI DATA
PERINTAH COMPUTE
Perintah compute digunakan untuk melakukan perhitungan terhadap nilai-nilai dari variabel-variabel yang
sudah ada maupun untuk variabel baru pada file kerja. Perhitungan nilai-nilai tersebut diberlakukan untuk
seluruh case maupun case-case yang memenuhi kondisi logika tertentu saja. Kotak Target Variable digunakan
untuk mengisikan nama variabel target. Dengan menekan Type dan Label anda dapat membuat type dan label
sesuai dengan keinginan anda. Kotak Numeric Expression digunakan untuk menyusun ekspresi yang akan
digunakan untuk transformasi variabel target.
Mencari umur
Umur dapat dicari dengan cara sebagai berikut :
1. Pilih compute
2. Tuliskan umur pada target variable
3. Pilih CTIMEDAY dari menu function kemudian masukkan kekotak numeric expression.
4
Kegunaan lain dari perintah compute adalah untuk menghitung nilai IMT dari informasi BB dan Tinggi
badan. Rumus IMT adalah BB/TB2
Langkah-langkah :
1. Pilih Compute
2. Jadikan ‘IMT’ sebagai Target Variabel
3. Ketiklah rumus IMT yaitu bb/((tb/100*tb/100)) atau bb/(tb/100)**2 pada kotak Numeric Expression
4. Tekan OK
Hasilnya adalah terbentuknya variabel baru yang bernama IMT yang nilainya sesuai dengan rumus diatas.
Contoh kotak dialog menghitung IMT
Pada kotak Old Value anda bisa menentukan nilai-nilai lama yang akan diganti dengan memilih 7 pilihan yaitu
:
1. individu. Untuk menghitung cacah value yang berharga sama dengan harga yang anda definisikan.
2. System missing. Untuk menghitung cacah value yang berupa system missing value.
3. System-User missing. Fungsinya sama dengan sistem missing.
4. Range dengan interval. Untuk menghitung cacah value yang berharga lebih besar atau sama dengan awal
interval dan lebih kecil atau sama dengan akhir interval.
5
5. Range lebih kecil atau sama dengan . Untuk menghitung cacah value yang berharga lebih kecil atau sama
dengan harga yang anda definisikan.
6. Range lebih besar atau sama dengan . Untuk menghitung cacah value yang berharga lebih besar atau
sama dengan harga yang anda definisikan.
7. All other value digunakan untuk menentukan nilai-nilai selain nilai yang telah ditentukan sebelumnya.
(else).
Pada kotak New Value terdapat 2 pilihan :
o Value. Untuk mengganti nilai lama yang telah ditentukan dengan nilai baru kemudian diisikan ditak
yang tersedia.
o System missing. Untuk mengganti nilai-nilai lama yang telah ditentukan dengan sisitem missing.
Tombol Change dan Remove untuk menyunting ketentuan-ketentuan yang telah disusun.
Contoh penggunaan recode into deferent variable; Variabel lama umur dibuat variable baru kelompok umur
dengan nilai sebagai berikut :
D. Korelasi Bivariat
Ternyata data konsumsi Fe ibu hamil dan kadar Hb ibu hamil berdistribusi normal karena hasil uji kolmogorov
p= 0,200 dan p=0,200 sehingga yang digunakan adalah korelasi pearson product moment.
Langkah :
Analyze
Correlate
6
Bivariate
Kotak variables berfungsi untuk mendaftar pasangan variable yang akan dihitung koefisien
korelasinya. Masukkan variable konsumsi fed an kadar Hb
konsumsi Fe kadar Hb
ibu hamil ibu hamil
konsumsi Fe ibu hamil Pearson Correlation 1 ,889**
Sig. (2-tailed) . ,000
N 20 20
kadar Hb ibu hamil Pearson Correlation ,889** 1
Sig. (2-tailed) ,000 .
N 20 20
**. Correlation is significant at the 0.01 level (2-tailed).
Dari hasil output diatas terlihat nilai korelasi (r) = 0,889 nilai p untuk 2 arah 0,000. sehingga
ada hubungan antara konsumsi Fe dan kadar Hb ibu hamil.
E. Regresi Linier
Prosedur regresi linier digunakan untuk membuat model linier untuk prediksi
variable dependent yang bersifat kontinyu dari variable independent yang bersifat kontinyu
dan berdistribusi normal .
Diagnose residual seperti deteksi kasus influensial, outlier dan pelanggaran terhadap asumsi
model juga tersedia.
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
konsumsi Fe ibu hamil ,124 20 ,200* ,974 20 ,841
kadar Hb ibu hamil ,140 20 ,200* ,964 20 ,636
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Ternyata data konsumsi Fe ibu hamil dan kadar Hb ibu hamil berdistribusi normal karena hasil uji kolmogorov
p= 0,200 dan p=0,200 sehingga dapat diuji regresi linier.
Method. Metode pemilihan variable independen untuk model regresi linier. Pilihlah Enter.
Regression
Variables Entered/Removedb
Variables Variables
Model Entered Removed Method
1 konsumsi
Fe ibua . Enter
hamil
a. All requested variables entered.
b. Dependent Variable: kadar Hb ibu hamil
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 30,557 1 30,557 68,071 ,000a
Residual 8,080 18 ,449
Total 38,637 19
a. Predictors: (Constant), konsumsi Fe ibu hamil
b. Dependent Variable: kadar Hb ibu hamil
8
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 6,349 ,663 9,579 ,000
konsumsi Fe ibu hamil ,428 ,052 ,889 8,251 ,000
a. Dependent Variable: kadar Hb ibu hamil
1. Hasil uji ANOVA p = 0,000 berarti hubungan konsumsi Fe dengan kadar Hb linier.
2. Pada table coefficients nilai p untuk constant dan konsumsi Fe = 0,000 berarti
konsumsi Fe sebagai variable predictor kadar Hb, dengan persamaan sebagai berikut :
Y = a + bX
Kadar Hb = 6,349 + 0,428 konsumsi Fe.
Interpretasi ; jika konsumsi Fe ibu hamil bertambah 1 mg maka kadar Hb akan bertambah
0,428 gr %.
Crosstabs
Kotak Rows : untuk mendaftar variable-variabel yang casenya akan ditampilkan secara baris.
Kotak columns: Untuk mendaftar variable-variabel yang casenya akan ditampilkan secara kolom.
Kotak layers: Untuk mendaftar variabe-variabel kontrol.
Status gizi masukkan ke rows dan status hipertensi masukkan ke columns
Tombol Cells
Digunakan untuk menentukan isi sel .
Tombol statistics.
Chi square digunakan untuk uji hipotesis apakah variable baris dan kolom idependen atau tidak.
Pilihan ini tidak dapat digunakan bilamana terdapat sel yang nilai expectednya lebih kecil 1 atau lebih
dari 20% sel mempunyai nilai expected lebih kecil 5.
Khusus table 2 x 2 akan selalu muncul tes Fisher. Pilihan ini digunakan bilamana terdapat sel yang
nilai expectednya lebih kecil 1 atau lebih dari 20% sel mempunyai nilai expected lebih kecil 5. Nilai
OR dapat dimunculkan guna mengetahui faktor risiko.
status hipertensi
tidak
hipertensi hipertensi Total
status normal Count 9 3 12
gizi Expected Count 6,0 6,0 12,0
% within status gizi 75,0% 25,0% 100,0%
gemuk Count 2 8 10
Expected Count 5,0 5,0 10,0
% within status gizi 20,0% 80,0% 100,0%
Total Count 11 11 22
Expected Count 11,0 11,0 22,0
% within status gizi 50,0% 50,0% 100,0%
Chi-Square Tests
Symmetric Measures
Risk Estimate
N of Valid Cases 22
Pembacaan table : pada sample yan berstatus gizi normal 75% tidak hipertensi dan 25
% hipertensi, pada sample yang berstatus gizi gemuk 20 % tidak hipertensi dan 80%
hipertensi.. Dari hasil uji chi square ternyata tidak ada sel yang nilai harapannya kurang dari
5 (nilai harapan terlihat pada table silang) sehingga yang dibaca adalah hasil pearson chi
square. Nilai chi square 6,6 dan nilai p=0,01. Dapat disimpulkan bahwa ada hubungan
antara status gizi dengan status hipertensi . Jika nilai harapan yang kurang dari 5 lebih dari
20 % maka uji yang digunakan adalah uji Fisher exact. Nilai Phi Cramers V sebesar 0,548,
hal ini menunjukkan nilai korelasi antara status gizi dengan status hipertensi sebesar 0,548.
Nilai OR = 12,00(95%CI= 1,581 -91,084). Orang yang gemuk berisiko hipertensi 12 kali
lebih besar dibanding orang yang normal.
A=9 , B=3, C=2, D=8
Rancangan kasus control OR = ad/bc = 12
Rancangan crossectional POR = A/A+B : C/C+D = (9/12)/(2/10)=0,75/0,2=3,75
Orang yang gemuk berisiko hipertensi 3,75 kali lebih besar dibanding orang yang normal
Untuk table 3x 2
Contoh : Apakah ada hubungan antara status gizi dengan status hipertensi dengan α = 0,05?
15 normal Hipertensi
16 gemuk Hipertensi
17 normal tidak hipertensi
18 normal Hipertensi
19 gemuk Hipertensi
20 gemuk tidak hipertensi
21 gemuk tidak hipertensi
22 normal tidak hipertensi
23 kurus tidak hipertensi
24 kurus Hipertensi
25 kurus Hipertensi
26 kurus Hipertensi
27 kurus tidak hipertensi
28 kurus tidak hipertensi
29 kurus tidak hipertensi
30 kurus tidak hipertensi
Status gizi masukkan ke rows dan status hipertensi masukkan ke columns, karena tabel 3 x 2 maka
supaya muncul hasil test fisher pada output pilihlah exact, maka akan muncul layar sebagai berikut ;
Pilihlah exact
Tombol Cells
Digunakan untuk menentukan isi sel .
Crosstabs
status gizi * status hipertensi Crosstabulation
status hipertensi
tidak
hipertensi hipertensi Total
status kurus Count 5 3 8
gizi Expected Count 4,3 3,7 8,0
% within status gizi 62,5% 37,5% 100,0%
normal Count 9 3 12
Expected Count 6,4 5,6 12,0
% within status gizi 75,0% 25,0% 100,0%
gemuk Count 2 8 10
Expected Count 5,3 4,7 10,0
% within status gizi 20,0% 80,0% 100,0%
Total Count 16 14 30
Expected Count 16,0 14,0 30,0
% within status gizi 53,3% 46,7% 100,0%
Chi-Square Tests
Symmetric Measures
Pembacaan table : pada sample yan berstatus gizi kurus 62,5% tidak hipertensi dan
37,5% hipertensi, pada sample yang berstatus gizi normal75% tidak hipertensi dan 25 %
hipertensi dan pada sample yang berstatus gizi gemuk 20 % tidak hipertensi dan 80%
hipertensi.. Dari table chi square test ternyata ada 3 sel (50 %) yang nilai harapannya
kurang dari 5(nilai harapan terlihat pada table silang) sehingga uji chi square tidak valid
dengan demikian yang dibaca Fisher Exact Test.. Dari Fisher Exact Test diperoleh nilai sig
two tail (p) = 0,039. Dapat disimpulkan bahwa ada hubungan antara status gizi dengan
status hipertensi . Nilai Phi Coefficient contingensi sebesar 0,435, hal ini menunjukkan nilai
korelasi antara status gizi dengan status hipertensi sebesar 0,5435.
Prosedur regresi logistik akan menghitung probabilitas satu kejadian akan terjadi pada
variabel dependen yang dikotomus. Anda dapat memakai SPSS untuk mengikutsertakan semua
variabel predictor pada model regresi logistik atau menggunakan metode stepwise untuk seleksi
13
variabel. Diagnostik residual, seperti deteksi kasus influensial, outlier dan pelanggaran terhadap
asumsi model juga tersedia.
Binary Logistic
Kotak dialog terlihat dalam gambar berikut
Categorical covariates , untuk memasukkan variabel yang akan diperlakukan sebagai variabel
kategori.
Change contrast. Untuk memilih kontras indicator yang ada pada isian contrast. Letaakkan crusor
pada pilihan indicator. Kemudian pada Reference category. pilihlah kategori pembandingnya,
kategori yang pertama (first) atau kaategori yang terakhir (last). Kemudi klik change.
Masukkan variabel nyuntik pada categorical covariats kemudian pilih first pada reference cateory
(karena kategori 0 pada variabel nyuntik sebagai referency) dan klik change maka hasilnya akan
terlihat seperti pada layar diatas.
Method. Metode pemilihan variabel predictor untuk model regresi logistik. Pada metode stepwise
score statistic digunakan untuk memilih variabel yang akan dimasukkan pada model, sedangkan untuk
mengeluarkan variabel dari model, digunakan likelihood-ratio statistic atau Wald statistic.
Enter. Semua variable pada satu blok dimasukkan kedalam model pada satu langkah.
Forward. Conditional. Pemilihan variable secara forward stepwise. Pengeluaran variabel
berdasarkan likelihood-ratio statistic pada conditional parameter estimate.
Forward. LR. Pemilihan variable secara forward stepwise. Pengeluaran variabel berdasarkan
likelihood-ratio statistic berdasarkan maximum likelihood estimate.
Forward. Wald.. Pemilihan variable secara forward stepwise. Pengeluaran variabel berdasarkan
likelihood-ratio statistic berdasarkan Wald statistic.
Backward. Conditional. Pemilihan variabel secara backward stepwise. Pengeluaran variabel
berdasarkan likelihood-ratio statistic pada conditional parameter estimate
Backward. LR. Pemilihan variable secara backward stepwise. Pengeluaran variabel berdasarkan
likelihood-ratio statistic berdasarkan maximum likelihood estimate
Backward. Wald.. Pemilihan variable secara backward stepwise. Pengeluaran variabel berdasarkan
likelihood-ratio statistic berdasarkan Wald statistic.
Sebelum oke klik option pilihlah CI for exp (B) untuk menampilkan nilai confidens interval OR,
maka akan muncul layer sebagai berikut :
Paramete
Frequency r coding
(1)
keb menyuntik satu kali pakai 35 ,000
daur ulang 26 1,000
Classification Tablea,b
Predicted
Score df Sig.
Step 0 Variables NYUNTIK(1) 11,509 1 ,001
Overall Statistics 11,509 1 ,001
Chi-square df Sig.
Step 1 Step 12,122 1 ,000
Block 12,122 1 ,000
Model 12,122 1 ,000
Model Summary
Classification Tablea
Predicted
Dari hasil diatas (pada variabel in the Equation) diketahui nilai sig pada nyuntik 0,01 berarti
bermakna. Pada variabel nyuntik diperoleh nilai Exp(B) 7.107 dan 95% CI 2,158 s/d 23,414.
Sehingga dapat disimpulkan resiko terjadinya penyakit Hepatitis B pada dokter yan menggunakan alat
suntik daur ulang 7,107 kali daripada yang menggunakan alat suntik satu kali pakai..
Persamaan :
Z = - 0,526 + 1,961 Nyuntik (1)
Dan model probabilitas untuk terjadinya penyakit hepatitis B adalah :
1
P (X= hepatitis B) = ----------
1 + e -z
17
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Analyze
Correlate
Bivariate
Correlations
Dari hasil output diatas terlihat nilai spearman rho = 0,513 nilai p untuk 2 arah 0,015, sehingga Ho
ditolak berarti ada hubungan antara imt dengan tekanan sistolik .
Uji ini digunkan untuk mengetahui perbedaan rata-rata 2 sampel bebas. Uji ini digunakan
untuk data numerik yang tidak berdistribusi normal.
Contoh : Apakah ada perbedaan berat badan bayi di desa dan kota ?
No Bb_bayi Tempat tinggal
1 20 Desa
2 16 Desa
3 14 Desa
4 20 Desa
5 21 Desa
6 13 Desa
7 14 Desa
8 20 Desa
9 12 Kota
10 10 Kota
11 12 Kota
12 12 Kota
13 10 Kota
14 10 Kota
15 11 Kota
16 12 Kota
Kolmogorov-Smirnova Shapiro-Wilk
tempat
tinggal Statistic df Sig. Statistic df Sig.
Analyze
Non Parametric Tests
19
2 independent Samples
Masukkan varaibel BB_bayi kedalam kotak test variabel list dan tinggal kedalam grouping
variabel kemudian klik difene group maka akan muncul layar sebagai berikut :
Ketik 1 dikotak group 1 dan 2 dikotak group 2 tekan continue lalu oke.
Outputnya adalah sebagai berikut :
NPar Tests
Mann-Whitney Test
Ranks
Test Statisticsb
BB_BAYI
Mann-Whitney U 14,500
Wilcoxon W 50,500
Z -1,868
Asymp. Sig. (2-tailed) ,062
Exact Sig. [2*(1-tailed a
,065
Sig.)]
a. Not corrected for ties.
b. Grouping Variable: TINGGAL
Berdasarkan output diatas diektahui bahwa Asymp Sig (2-tailed) adalah 0,062. Jadi p=0,065 sehingga
tidak ada perbedaan berat badan bayi dikota dan di desa.