Analisis Bivariat

1. UJI BEDA DUA MEAN

Independen T Test adalah uji komparatif atau uji beda untuk mengetahui adakah perbedaan mean atau

rerata yang bermakna antara 2 kelompok bebas yang berskala data interval/rasio. Dua kelompok bebas yang
dimaksud di sini adalah dua kelompok yang tidak berpasangan, artinya sumber data berasal dari subjek yang
berbeda, Misal Kelompok Kelas A dan Kelompok kelas B, di mana responden dalam kelas A dan kelas B
adalah 2 kelompok yang subjeknya berbeda.

Uji-t tes digunakan untuk melihat perbedaan rata-rata dari dua kelompok data.

Bandingkan dengan nilai pretest dan posttest pada kelas A, di mana nilai pretest dan posttest berasal dari
subjek yang sama atau disebut dengan data berpasangan. Apabila menemui kasus yang data berpasangan,
maka uji beda yang tepat adalah uji paired t test/ uji dependen t tes .

Asumsi Independen T Test

Asumsi yang harus dipenuhi pada independen t test antara lain:
1. Skala data interval/rasio.
2. Kelompok data saling bebas atau tidak berpasangan.
3. Data per kelompok berdistribusi normal.

Langkah Independen T Test dengan SPSS

Pada menu SPSS, klik Analyze, Compare Means, Independen Samples T Test. Maka akan muncul jendela
sebagai berikut: Kemudian masukkan variabel terikat anda yaitu Nilai (contoh BBBayi Lahir)  ke kotak Test
Variable(s) dan masukkan variabel bebas anda yaitu Contoh pekerjaan ibu terdiri dari dua kategori yaitu
bekerja dan tidak bekerja  ke kotak Grouping Variables.
Klik tombol Define Groups kemudian masukkan kode 0 dan 1 (sesuai dengan kode variable yang dientry data
(kejra ibu :kelompok 1 kodenya 0 (bekerja) dan kelompok 2 kodenya 1(tidak bekerja)

Klik Continue.

Pada jendela utama klik OK kemudian lihat Output!

T-Test
Group Statistics

Std. Error
KERJA N Mean Std. Deviation Mean
BBBAYI bekerja 14 3.486 .6049 .1617
tidak bekerja 36 3.081 .6533 .1089
Mean Independen T Test
Tabel di atas menunjukkan Mean atau rerata tiap kelompok, yaitu pada kelompok bekerja nilai rata-rata pada
kelompok bekerja 3,486 lebih tinggi dari kelompok tidak bekerja yaitu 3.081 ( terdapat selisih 0,405). Apakah
perbedaan ini bermakna? lihat di bawah ini:
Independent Samples Test

Levene's Test for

Equality of Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean Std. Error Difference
F Sig. t df Sig. (2-tailed) Difference Difference Lower Upper
BBBAYI Equal variances
.573 .453 2.008 48 .050 .4052 .2017 -.0005 .8108
assumed
Equal variances
2.079 25.516 .048 .4052 .1949 .0041 .8062
not assumed
Hasil uji statistic nilai t = 2,079 dan nilai p value sebesar 0,048 di mana < 0,05. Karena < 0,05 maka perbedaan
bermakna secara statistik BBBayi lahir pada kelompok ibu yang bekerja dibandingkan kelompok yang tidak
bekerja.

2. Aplikasi Uji ANOVA

Uji-Anova digunakan untuk melihat perbedaan rata-rata dari tiga kelompok data atau lebih (kelompok
independen) (data yang tidak saling berkaitan antara satu dengan lainnya). Misalnya membandingkan pengaruh
dari 3 jenis intervensi atau membandingkan rata-rata berat bayi dari kelompok ibu-ibu yang berpendidikan SD,
SMP, SMA dan PT.
Pada contoh analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu yang
berpendidikan SD, ibu yang berpendidikan SMP, dengan ibu yang berpendidik

an SMA. Kita akan melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu dari
jenis pendidikan yang berbeda, dengan langkah-langkah sebagai berikut.
1. Bukalah file data
2. Dari menu utama, pilihlah
Analyze
Compare Means
One-way ANOVA ...
3. Klik variabel BBAYI dan klik tanda untuk memasukkannnya ke kotak Depedent List.
4. Klik variabel DIDIK dan klik tanda untuk memasukkannnya kotak Factor.
5. Pada menu Options.. klik Deskriptive dan Homegeneity of varians.
6. Klik Continue dan Anda akan kembali ke kotak dialog awal dengan isian lengkap

Klik OK untuk menjalankan prosedur. Hasilnya tampak di output seperti berikut:

 Descriptives

BBBAYI
95% Confidence Interval for
Mean
N Mean Std. Deviation Std. Error Lower Bound Upper Bound Minimum Maximum
SD 8 2.350 .1773 .0627 2.202 2.498 2.1 2.7
SMP 13 2.908 .3968 .1100 2.668 3.147 2.4 3.8
SMA 17 3.335 .6363 .1543 3.008 3.662 2.3 4.0
PT 12 3.867 .1435 .0414 3.775 3.958 3.6 4.1
Total 50 3.194 .6601 .0933 3.006 3.382 2.1 4.1

Oneway
Descriptives

Pada hasil di atas terlihat bahwa rata-rata berat bayi pada ibu dengan pendidikan SD adalah 2,350 gram, pada
ibu dengan pendidikan SMP adalah 2,908 gram, dan pada ibu berpendidikan SMA adalah 3,335 gram dan PT
3,367 gram. Standar deviasi, nilai minimum-maximun, dan interval 95% tingkat kepercayaan juga diperlihatkan

Test of Homogeneity of Variances

BBBAYI
Levene
Statistic df1 df2 Sig.
14.851 3 46 .000

Salah satu asumsi dari uji Anova adalah varians masing-masing kelompok harus sama. Untuk itu dilakukan uji
homogenitas varians yang hasilnya memperlihatkan bahwa p-value (sig.) lebih besar dari nilai=0.05, berarti
varians antar kelompok adalah sama. Jika varians tidak sama, uji Anova tidak valid untuk dipakai. Catatan:
dalam hal ini kita tidak melakukan uji normalitas
Hasil uji Anova, sebagai berikut:

ANOVA

BBBAYI
Sum of
Squares df Mean Square F Sig.
Between Groups 12.533 3 4.178 21.802 .000
Within Groups 8.815 46 .192
Total 21.348 49

Pada hasil di atas diperoleh nilai ANOVA F = 21,802 dengan p-value<0.000 (dalam keadaan ini boleh juga
ditulis p < 0.001). artinya ada perbedaan rata-rata berat bayi antara kelompok ibu dengan pendidikan SD, SMP,
dan SMA. Sehingga kita menyimpulkan ada perbedaan berat badan bayi dari ke tiga kelompok ibu tersebut
(setidaknya salah satu nilai mean berbeda dengan lainnya). Namun, kita belum tahu kelompok mana yang
berbeda antara satu dengan yang lainnya.

Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda, apakah antara pendidikan SD dengan
SMP, SD dengan SMA, atau SMP dengan SMA. Untuk menjawab pertanyaan ini kita harus melakukan uji
banding ganda. Untuk melakukan uji banding ganda, kita harus klik menu Post Hoc… pada kotak dialog
ANOVA.
Hasil output SPSS adalah sama dengan hasil uji ANOVA sebelumnya dan ditambah dengan tampilan berikut:

Multiple Comparisons

Dependent Variable: BBBAYI

Bonferroni

Mean
Difference 95% Confidence Interval
(I) DIDIK (J) DIDIK (I-J) Std. Error Sig. Lower Bound Upper Bound
SD SMP -.5577* .1967 .041 -1.100 -.015
SMA -.9853* .1877 .000 -1.503 -.468
PT -1.5167* .1998 .000 -2.068 -.966
SMP SD .5577* .1967 .041 .015 1.100
SMA -.4276 .1613 .066 -.872 .017
PT -.9590* .1752 .000 -1.442 -.476
SMA SD .9853* .1877 .000 .468 1.503
SMP .4276 .1613 .066 -.017 .872
PT -.5314* .1650 .014 -.986 -.076
PT SD 1.5167* .1998 .000 .966 2.068
SMP .9590* .1752 .000 .476 1.442
SMA .5314* .1650 .014 .076 .986
*. The mean difference is significant at the .05 level.
 3. UJI T Berpasangan (T dependen/ t paired)

Dependent sample t-test atau sering diistilakan dengan Paired Sampel t-Test, adalah jenis uji statistika yang

bertujuan untuk membandingkan rata-rata dua grup yang saling berpasangan
Uji t Perbedaan Rata‐rata Dua kelompok berpasangan (dependent) parametric
Dua sampel berpasangan artinya sampel dengan subjek yang sama namun mengalami dua perlakuan atau
pengukuran yang berbeda.

Kapan menggunakan Uji t sampel/kelompok dependent berpasangan) ?

1. uji komparasi antar dua nilai pengamatan berpasangan, misalnya: sebelum dan sesudah
2. digunakan pada uji parametrik dimana syaratnya sebagai berikut:
o satu sampel (setiap elemen mempunyai 2 nilai pengamatan)
o merupakan data kuantitatif (rasio-interval)
o berasal dari populasi dgn distribusi normal (di populasi terdapat distribusi difference = d yang
berdistribusi normal dengan mean μd=0 dan variance =1)

Contoh Kasus uji t sampel/kelompok berpasangan:

1. Apakah terdapat perbedaan kadar hb ibu (gr%) antara sebelum diberi tindakan (contohdiberi obat Fe)
dan sesudah intervensi selama satu bulan?

Contoh lain:

2. Apakah terdapat perubahan skor pengetahuan tentang gizi antara sebelum dan sesudah penyuluhan gizi?

3. Apakah terdapat perbedaan kadar kolesterol dalam darah (mg%) yg diperiksa oleh dua alat yang berbeda?
Langkah lahkah kegiatan Uji Paired t

1. Bukalah file data SPSS

2. Dari menu utama, pilihlah
Analyze
Compare Means
Paired sampel t ...

Masukkan variable yang diuji (hb1 dan hb2) ke kotak paired variable.
 klik OK

Hasil analisis diperoleh sebagai berikut:

Paired Samples Statistics

Std. Error
Mean N Std. Deviation Mean
Pair 1 HBI 10.622 50 1.2819 .1813
HB2 11.758 50 1.0270 .1452

Dari hasil uji kadar Hb ibu sebelum diberi intervensi 10,622 gr%, dan setelah intervensi meningkat menjadi 11,758 gr%, hasil ui
statistic sebagai berikut:

Paired Samples Test

Paired Differences
95% Confidence
Interval of the
Std. Error Difference
Mean Std. Deviation Mean Lower Upper t df Sig. (2-tailed)
Pair 1 HBI - HB2 -1.1360 1.6049 .2270 -1.5921 -.6799 -5.005 49 .000

Dari out put data diperoleh t 5,005 dengan nilai p= 0,000 (ditulis 0,001)  p<0,005 dapat disimpulkan ada perbedaan yang
signifikan kadar hb ibu sebelum dan setelah mendapat intervensi/ perlakuan.
4.UJI KAI KUADRAT

Suatu penelitian ingin mengetahui hubngan pekerjaan dengan perilaku menyusui.

Variabel pekerjaan berisi dua nilai yaitu tidak bekerja dan bekerja, dan variabel menyusui
berisi dua nilai yaitu eksklusif dan non eksklusif. Untuk mengerjakan soal ini gunakan
data “Susu. SAV”.

Adapun prosedur di SPSS sbb:

1. Pastikan anda berada pada data editor ASI.SAV
2. Dari menu SPSS, klik “Analyze”, kemudian pilih “Descriptive statistic”, lalu
pilih “Crosstab”, sesaat akan muncul menu Crosstabs
3. Dari menu crosstab, ada dua kotak yang harus diisi, pada kotak “ Row(s)’ diisi
variabel independen (variabel bebas), dalam contoh ini variabel pekerjaan
masuk ke kotak “Row(s)”.
4. pada kotak “Column(s)” diisi variabel dependennya, dalam contoh ini variabel
perilaku menyusui masuk ke kotak “Column(s)”.
5. Klik option “Statistics..”, klik pilihan “Chi Square” dan klik pilihan “Risk”

6. Klik “Continue”
7. Klik option “Cells”, bawa bagian “Percentages” dan klik “Row”

8. Klik “Continue”
9. Klik “OK” hasilnya tampak sbb:
Out Put hasil Analisis:

status pekerjaan ibu * status menyusui asi Crosstabulation

status menyusui asi

tdk
EKSKLUSIVE EKSKLUSIVE Total
status pekerjaan KERJA Count 17 8 25
ibu % within status
68.0% 32.0% 100.0%
pekerjaan ibu
tidak kerja Count 7 18 25
% within status
28.0% 72.0% 100.0%
pekerjaan ibu
Total Count 24 26 50
% within status
48.0% 52.0% 100.0%
pekerjaan ibu

Chi-Square Tests

Asymp. Sig. Exact Sig. Exact Sig.

Value df (2-sided) (2-sided) (1-sided)
Pearson Chi-Square 8.013b 1 .005
Continuity Correctiona 6.490 1 .011
Likelihood Ratio 8.244 1 .004
Fisher's Exact Test .010 .005
Linear-by-Linear
7.853 1 .005
Association
N of Valid Cases 50
a. Computed only for a 2x2 table
b. 0 cells (.0%) have expected count less than 5. The minimum expected count is
12. 00.

Risk Estimate

95% Confidence
Interval
Value Lower Upper
Odds Ratio for status
pekerjaan ibu (TIDAK 5.464 1.627 18.357
KERJA / KERJA)
For cohort status
menyusui asi = YA 2.250 1.209 4.189
EKSKLUSIVE
For cohort status
menyusui asi = .412 .208 .816
TIDAK EKSKLUS
N of Valid Cases 50
 Ada sebanyak 18 (72,0%) ibu yang tidak bekerja
menyusui bayi secara eksklusif. Sedangkan diantara ibu yang
bekerja, ada 8 (32,0%) yang menyusui secara eksklusif.
Dengan demikian kita menggunakan uji Chi Square yang
sudah dilakukan koreksi (Continuity Correction) dengan p
value dapat dilihat pada kolom “Asymp. Sig” dan terlihat p
valuenya = 0,011. berarti kesimpulannya ada perbedaan
perilaku menyusui eksklusif antara ibu yang bekerja dengan
ibu yang tidak bekerja. Dengan kata lain dapat disimpulkan
bahwa ada hubungan status pekerjaan dengan perilaku
menyusui eksklusif.

Catatan pengguinaan Chi square:

Hasil uji Chi Square dapat dilihat pada kotak “Chi

Square Test”. Dari print out muncul dengan beberapa
bentuk/angka sehingga menimbulkan pertanyaan, “Angka
yang mana yang kita pakai?”, apakah Pearson, Continuity
Correction, Likelihood atau Fisher?”
Aturan yang berlaku pada Chi Square adalah sbb:
a. Bila pada 2 x 2 dijumpai nilai Expected (harapan)
kurang dari 5, maka yang digunakan adalah
“Fisher’s Exact Test”
b. Bila tabel 2 x 2, dan tidak ada nilai E < 5, maka uji
yang dipakai sebaiknya “ Continuity Correction
(a)”
c. Bila tabelnya lebih dari 2 x 2, misalnya 3 x 2, 3 x 3
dsb, maka digunakan uji “Pearson Chi Square”
d. Uji “Likelihood Ratio” dan “Linear-by-Linear
Assciation”, biasanya digunakan untuk keperluan
 lebih spesifik, misalnya analisis stratifikasi pada
bidang epidemiologi dan juga untuk mengetahui
hubungan linier dua variabel katagorik, sehingga
kedua jenis ini jarang digunakan.

Untuk mengetahui adanya nilai E kurang dari 5, dapat dilihat

pada footnote b dibawah kotak Chi-Square Test, dan tertulis
diatas nilainya 0 cell (0 %) berarti pada tabel silang diatas
tidak ditemukan ada nilai E < 5