1

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.

Aturan pemberian nama variabel :

1. Sebaiknya 8 karakter
2. Tidak boleh ada spasi kosong
3. Karakter pertama harus berupa huruf atau karakter
4. Kakarter terakhir tidak boleh berupa titik.
5. Hindari istilah-istilah yang biasa digunakan SPSS seperti ALL, AND, BY, EQ, GE, GT, LE, LT, NE, NOT,
OR, TO, WITH.

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.

 No missing values, bila variabel tersebut tidak mengandung missing value.

 Discreate missing value, bila variabel tersebut mengandung 1, 2 atau 3 buah missing value.
 Range of missing value, bila variabel tersebut mengandung missing value berupa interval suatu bilangan.
 Range plus one discrete missing value. Bila variabel tersebut mengandung missing value berupa interval
suatu bilangan dan sebuah harga missing sebagai alternatif lain.

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

MENYIMPAN FILE DATA

1. klik Save data atau Save As, beri nama dam masukkan ke directory.

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 $.

Gambar 6. Kotak dialog Select Cases : If

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

4. Masukkan variable tanggal pengukuran dikurangkan tanggal lahir dalam CTIMEDAY

5. Jika umur dihitung dalam tahun dibagi 365.
6. Jika umur dihitung dalam bulan dibagi 30
Contoh kotak dialog perhitungan umur

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

Mencari BBI = (TB-100)-0,1*(TB-100)

PERINTAH RECODE
Perintah Recode digunakan untuk memodifikasi atau mengganti nilai-nilai dari variabel –variabel yang
didaftar menjadi nilai-nilai dengan harga baru. Pada perintah Recode ada 2 pilihan yaitu :
1. Into Same Variables. Yakni recode untuk variabel-variabel yang sudah ada (variabel lama). Variabel lama
akan hilang. Penggunaan ini tidak disarankan.
2. Into Different Variables. Yakni recode dengan membentuk variabel-variabel baru.

RECODE DENGAN MEMBENTUK VARIABEL BARU

Perintah yang digunakan adalah Into Different Variables.
Anda harus mengisi nama variabel yang akan diubah kedalam kotak Input Variable->Output variable.
Sedangkan nama variabel baru diketik dikotak Output Variable kemudian klik Change.

Tombol Old and New Values

Digunakan untuk menentukan nilai-nilai yang diganti dengan nilai-nilai baru. Contoh tombol old and New
Value.

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 :

Kel. umur Kode kel umur Label

 20 1 Remaja
 20 2 Dewasa
Tahapan yang dilakukan adalah :
1. Pilih transform, recode into deferent variable
2. Pada kotak numeric variable masukkan variable umur
3. Paada kotak output variable ketik kel_um kemudian klik change
4. tekan old and new variabel
5. untuk membuat kode baru untuk nilai  20 (19,99) gunakan pilihan old value nomor 5 yaitu Range
lebih kecil atau sama dengan. Pada New value pilih value kemudian ketik 1dan klik add.
6. untuk membuat kode baru untuk nilai  20 (20,00) gunakan pilihan old value nomor 6 yaitu Range
lebih besar atau sama dengan . Pada New value pilih value kemudian ketik 2 dan klik add.

D. Korelasi Bivariat

Korelasi bivariat pada statistic parametrik digunakan untuk menghasilkan matrik

korelasi pearson product moment dari 2 variabel numeric yang berdistribusi normal.

Contoh : Berikut adalah data hasil penelitian pada 20 ibu hamil.

no Kons fe (mg) Hb no Kons fe (mg) hb

1 12 12 11 9 9
2 9 11,5 12 8 10
3 10 10,5 13 15 14
4 17 13 14 7 9,5
5 18 14 15 14 12,5
6 15 12 16 13 11,5
7 14 13 17 12 10,5
8 13 12 18 15 13
9 11 11 19 14 12,5
10 10 10 20 13 12
Apakah ada hubungan antara konsumsi Fe dengan kadar hb

Diuji kenormalan datanya dulu, hasilnya sebagai berikut :

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 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

Terdapat 3 check box pada correlate coefficients.

 Pearson : Untuk menampilkan koefisien korelasi yang dihitung dengan metode
Pearson. (otomatis).
 Kendall’stau-b : untuk menampilkan koefisien korelasi non parametrik Kendall,
(data skala ordinal).
 Spearman. untuk menampilkan koefisien korelasi pearson versi non parametrik (data
skala ordinal).
Pilih pearson
Test of Significant.
 Two tailed (uji 2 arah), jika dalam hipotesis arahnya belum jelas
 One tailed (uji 1 arah), jika dalam hipotesis arahnya sudah jelas.
Pilih two tail

Outputnya sebagai berikut :

Correlations

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.

Contoh : Berikut adalah data hasil penelitian pada 20 ibu hamil.

No Kons fe (mg) Hb no Kons fe (mg) hb

1 12 12 11 9 9
2 9 11,5 12 8 10
3 10 10,5 13 15 14
4 17 13 14 7 9,5
5 18 14 15 14 12,5
6 15 12 16 13 11,5
7 14 13 17 12 10,5
8 13 12 18 15 13
9 11 11 19 14 12,5
10 10 10 20 13 12
Bagaimana persamaan regresi dari data diatas bila konsumsi Fe (variable X atau prediktor)
dan kadar hb (variable Y) dan apa artinya ?

Diuji kenormalan datanya dulu, hasilnya sebagai berikut :

 7

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.

Untuk menjalankan prosedur regresi linier dari menu pilihlah

Analyze
Statistics
Regression
Linier
Kotak dialog Linier Regression sebagai berikut :

Pada kotak dialog anda harus mengisikan :

Dependent. Pilihlah variable dependen yang bersifaf kontinyu. Masukkan kadar Hb
Independent(s). Pilihlah satu atau lebih variable independen. Masukkan konsumsi Fe.

Method. Metode pemilihan variable independen untuk model regresi linier. Pilihlah Enter.

Outputnya sebagai berikut:

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

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,889a ,791 ,779 ,67000
a. Predictors: (Constant), konsumsi Fe ibu hamil

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 %.

STATISTIK NON PARAMETRIK

A. Uji Chi Square
Chi square digunakan untuk menguji ketidaktergantungan (test of independence). Untuk memeriksa
apakah dua buah variabel dari sebuah sample saling tergantung atau tidak. Uji chi square terdapat
pada crosstabe. Prosedur crosstabs digunakan untuk menampilkan tabulasi silang . Prosedur ini
digunakan untuk deskripsi statistik bivariat dan pengujian dari 2 variabel khususnya variable yang
berbentuk kategori.
Contoh : Apakah ada hubungan antara status gizi dengan status hipertensi dengan α = 0,05?
no Status gizi Status hipertensi
1 Normal Tidak hipertensi
2 Gemuk Hipertensi
3 Normal Hipertensi
4 Normal Tidak hipertensi
5 Normal Tidak hipertensi
6 Gemuk Hipertensi
7 Gemuk Hipertensi
8 Normal Tidak hipertensi
9 Gemuk Hipertensi
10 Normal Tidak hipertensi
11 Normal Tidak hipertensi
12 Normal Tidak hipertensi
13 Gemuk Hipertensi
14 Gemuk Hipertensi
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

langkah-langkah sebagai berikut :

Analyze
Descriptive statistic
 9

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 .

Untuk counts pilih expected.

Untuk percentages pilih row karena desain penelitiannya crosectional.
Uji chi square ada pada tombol statistics

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.

Pilihan check box

 Contingency coefficient. Untuk pengukuran asosiasi lanjutan dari chi square
 Cramer’s V. untuk pengukuran asosiasi lanjutan dari chi square terutama table 2X2.

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.

Output hasil uji diatas sebagai berikut :

status gizi * status hipertensi Crosstabulation

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

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 6,600b 1 ,010
Continuity Correctiona 4,583 1 ,032
Likelihood Ratio 6,994 1 ,008
Fisher's Exact Test ,030 ,015
Linear-by-Linear
6,300 1 ,012
Association
N of Valid Cases 22
a. Computed only for a 2x2 table
b. 0 cells (,0%) have expected count less than 5. The minimum expected count is
5,00.
 10

Symmetric Measures

Value Approx. Sig.

Nominal by Phi ,548 ,010
Nominal Cramer's V ,548 ,010
N of Valid Cases 22
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null
hypothesis.

Risk Estimate

95% Confidence Interval

Value Lower Upper

Odds Ratio for status gizi2x2 12.000 1.581 91.084

(normal / gemuk)

For cohort stat hip 2x2 = 3.750 1.041 13.513

tidak hipertensi

For cohort stat hip 2x2 = .313 .112 .873

hipertensi

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?

no status gizi status hipertensi

1 normal tidak hipertensi
2 gemuk Hipertensi
3 normal Hipertensi
4 normal tidak hipertensi
5 normal tidak hipertensi
6 gemuk Hipertensi
7 gemuk Hipertensi
8 normal tidak hipertensi
9 gemuk Hipertensi
10 normal tidak hipertensi
11 normal tidak hipertensi
12 normal tidak hipertensi
13 gemuk Hipertensi
14 gemuk Hipertensi
 11

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

langkah-langkah sebagai berikut :

Analyze
Descriptive statistic
Crosstabs
Maka akan muncul layer sebagai berikut :

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 .

Untuk counts pilih expected.

Untuk percentages pilih row karena desain penelitiannya crosectional.

Uji chi square ada pada tombol statistics

Pada check box pilihlah Contingency coefficient.
Output sebagai berikut ;
 12

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

Asymp. Sig. Exact Sig. Exact Sig. Point

Value df (2-sided) (2-sided) (1-sided) Probability
Pearson Chi-Square 6,998a 2 ,030 ,b
Likelihood Ratio 7,366 2 ,025 ,039
Fisher's Exact Test 6,779 ,039
Linear-by-Linear c
3,595 1 ,058 ,065 ,047 ,032
Association
N of Valid Cases 30
a. 3 cells (50,0%) have expected count less than 5. The minimum expected count is 3,73.
b. Cannot be computed because there is insufficient memory.
c. The standardized statistic is 1,896.

Symmetric Measures

Value Approx. Sig. Exact Sig.

Nominal by Nominal Contingency Coefficient ,435 ,030 ,c
N of Valid Cases 30
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
c. Cannot be computed because there is insufficient memory.

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.

B. Uji Regresi Logistik

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.

Untuk menjalankan prosedur regresi logistik, syarat minimal adalah :

 Variabel dependen dikotomus
 Satu atau lebih varaibel predictor
Contoh :
Suatu penelitian dilakukan untuk mengetahui factor resiko pemakaian alat suntik daur ulang
terhadap terjadinya infeksi hepatitis B pada dokter praktek dengan α = 0,05.
No Nama variable singkatan

1 Infeksi hepatitis B (0=tidak, 1= Ya) Hepb

2 Kebiasaan menyuntik (0=satu kali pakai, 1=daur ulang) Nyuntik

No hepb nyuntik   No hepb nyuntik   No hepb nyuntik

1 1 1   22 1 0   43 1 1
2 1 0   23 1 1   44 0 0
3 1 1   24 1 0   45 0 0
4 1 1   25 0 0   46 1 0
5 1 1   26 0 0   47 0 0
6 1 0   27 0 0   48 0 1
7 1 1   28 1 1   49 0 0
8 0 0   29 1 0   50 0 0
9 0 0   30 0 0   51 0 0
10 0 0   31 0 0   52 0 0
11 1 1   32 1 0   53 1 1
12 0 0   33 0 0   54 1 1
13 0 1   34 0 0   55 0 1
14 0 1   35 1 1   56 1 1
15 1 1   36 1 0   57 1 0
16 1 1   37 1 1   58 1 1
17 0 0   38 0 0   59 1 1
18 1 0   39 1 1   60 1 0
19 0 1   40 1 1   61 1 0
20 0 0   41 1 1        
21 0 0   42 1 0        

Untuk menjalankan prosedur regresi logistik dari menu pilihlah :

Statistik
Regression
 14

Binary Logistic
Kotak dialog terlihat dalam gambar berikut

Pada kotak dialog tersebut anda harus mengisikan :

Dependent : Pilihlah variabrl dependen yang hanya memilili 2 nilai (dikotomus)
Masukkan variabel hepb pada kotak dependens
Covariates : Pilihlah satu atau lebih variabel predictor.
Masukkan variabel nyuntik pada covariates

Definisi variabel kategorikal

SPSS akan memperlakukan variabel predictor sebagai variabel kontinyu. Jika variabel predictor
merupakan variabel kategorikal, maka variabel tersebut harus didefinisikan sebagai variabel
kategorikal.
Klik categorical maka akan muncul layar sebagai 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.

Metode yang digunakan enter

 15

Sebelum oke klik option pilihlah CI for exp (B) untuk menampilkan nilai confidens interval OR,
maka akan muncul layer sebagai berikut :

Otput hasil uji adalah sebagai berikut :

Logistic Regression
Case Processing Summary
a
Unweighted Cases N Percent
Selected Cases Included in Analysis 61 100,0
Missing Cases 0 ,0
Total 61 100,0
Unselected Cases 0 ,0
Total 61 100,0
a. If weight is in effect, see classification table for the total
number of cases.

Dependent Variable Encoding

Original Value Internal Value

tidak 0
ya 1

Categorical Variables Codings

Paramete
Frequency r coding
(1)
keb menyuntik satu kali pakai 35 ,000
daur ulang 26 1,000

Block 0: Beginning Block

Classification Tablea,b

Predicted

infeksi hepatitis B Percentage

Observed tidak ya Correct
Step 0 infeksi hepatitis B tidak 0 27 ,0
ya 0 34 100,0
Overall Percentage 55,7
a. Constant is included in the model.
b. The cut value is ,500

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 0 Constant ,231 ,258 ,800 1 ,371 1,259
 16

Variables not in the Equation

Score df Sig.
Step 0 Variables NYUNTIK(1) 11,509 1 ,001
Overall Statistics 11,509 1 ,001

Block 1: Method = Enter

Omnibus Tests of Model Coefficients

Chi-square df Sig.
Step 1 Step 12,122 1 ,000
Block 12,122 1 ,000
Model 12,122 1 ,000

Model Summary

-2 Log Cox & Snell Nagelkerke

Step likelihood R Square R Square
1 71,637 ,180 ,241

Classification Tablea

Predicted

infeksi hepatitis B Percentage

Observed tidak ya Correct
Step 1 infeksi hepatitis B tidak 22 5 81,5
ya 13 21 61,8
Overall Percentage 70,5
a. The cut value is ,500

Variables in the Equation

95,0% C.I.for EXP(B)

B S.E. Wald df Sig. Exp(B) Lower Upper
Step
a
NYUNTIK(1) 1,961 ,608 10,395 1 ,001 7,107 2,158 23,414
1 Constant -,526 ,350 2,262 1 ,133 ,591
a. Variable(s) entered on step 1: NYUNTIK.

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

c. Uji Korelasi Rank Spearman

b. Uji Korelasi Rank Spearman

Uji ini digunkan untuk mengetahui hubungan 2 variabel berskala rasio, interval dan ordinal . Uji ini
digunakan untuk data numerik yang tidak berdistribusi normal.
Contoh : Apakah ada hubungan antara indeks massa tubuh dengan tekanan darah sistolik?

No Imt Tekanan darah sistolik

1 22 100
2 22 100
3 25 110
4 25 100
5 24 110
6 22 110
7 24 110
8 22 110
9 24 110
10 22 120
11 25 110
12 24 130
13 22 120
14 24 130
15 25 130
16 22 130
17 25 130
18 25 130
19 25 140
20 25 130
21 30 140
22 30 140

Diuji kenormalan datanya dulu, hasilnya sebagai berikut :

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

indeks massa tubuh .282 22 .000 .780 22 .000

tekanan darah .226 22 .005 .884 22 .014

a. Lilliefors Significance Correction

Hasil uji kolmogorov Smirnov nilai p=0,000 dan 0,005 jadi data tidak normal, kemudian diuji
korelasi rank Spearman langkah-langkah sebagai berikut :

Analyze
Correlate
Bivariate

Pada correlation coefficients pilih Spearman.

Maka akan muncul Outputnya adalah sebagai berikut :
 18

Correlations

indek masa tekanan darah

tubuh sistolik
Spearman's rho indek masa tubuh Correlation Coefficient 1,000 ,513*
Sig. (2-tailed) , ,015
N 22 22
tekanan darah sistolik Correlation Coefficient ,513* 1,000
Sig. (2-tailed) ,015 ,
N 22 22
*. Correlation is significant at the .05 level (2-tailed).

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 .

C. Uji Mann Whitney

D. Uji Mann Whitney

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

Diuji kenormalan datanya dulu, hasilnya sebagai berikut :

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk
tempat
tinggal Statistic df Sig. Statistic df Sig.

berat badan bayi Desa .296 8 .038 .829 8 .058

Kota .311 8 .022 .736 8 .006

a. Lilliefors Significance Correction

Ternyata data berat badan bayi di kota tidak berdistribusi normal karena hasil uji shapiro nilai p=0,006.
kemudian diuji Mann Whitney dengan langkah-langkah sebagai berikut :

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

TINGGAL N Mean Rank Sum of Ranks

BB_BAYI desa 8 10,69 85,50
kota 8 6,31 50,50
Total 16

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.