A. PENGERTIAN STATISTIKA
Menurut Chandra (2012), secara umum statistik adalah disiplin ilmu yang
mempelajari metode dan prosedur pengumpulan, penyajian, analisa dan
penyimpulan suatu data mentah, agar menghasilkan informasi yang lebih jelas
untuk keperluan suatu pendekatan ilmiah dan dapat dikelompokkan menjadi dua
bagian yaitu statistik deskriptif dan statistik inferensial. Menurut Sabri & Hastono
(2006), statistik adalah sekumpulan konsep dan metode yang digunakan untuk
megumpulkan dan menginterpretasikan data tentang bidang kegiatan tertentu
dan mengambil kesimpulan dalam situasi dimana ada ketidakpastian dan variasi.
Menurut Rachmat (2012), statistik adalah sekumpulan cara atau aturan tentang
pengumpulan, pengolahan, analisis, serta penafsiran data yang terdiri dari angka-
angka. Berdasarkan beberapa definisi statistik diatas, dapat disimpulkan bahwa
statistik adalah sekumpulan konsep dan metode yang digunakan untuk
mengumpulkan, mengolah, analisis dan penafsiran data.
B. JENIS STATISTIK
Statistik dibedakan atas beberapa jenis berdasarkan kriteria tertentu, seperti cara
pengolahan data, ruang lingkup penggunaan dan bentuk parameternya.
1. Jenis Statistik Berdasarkan Cara Pengolahan Data
Berdasarkan cara pengolahan datanya, statistik dibagi dua kategori yaitu
statistik deskriptif dan statistik inferensial.
a. Statistik Deskriptif
Statistik deskriptif adalah bagian dari statistik yang membahas tentang
cara pengumpulan dan penyajian data hingga mudah dimengerti. Statistik
deskriptif hanya berkaitan dengan hal menguraikan atau memberikan
keterangan-keterangan mengenai suatu data, keadaan atau fenomena.
Sehingga dapat dikatakan bahwa statistik deskriptif hanya berfungsi
mendeskriptifkan keadaan, gejala atau persoalan.
b. Statistik Inferensial
Statistik inferensial atau statistik induktif adalah jenis statistik yang
mempelajari mengenai penafsiran dan penarikan kesimpulan yang berlaku
secara umum atau proses generalisasi berdasarkan data yang telah
dikumpulkan. Statistik inferensial berkaitan dengan pendugaan populasi
dan pengujian hipotesis berdasarkan data yang telah dikumpulkan.
Penarikan kesimpulan pada statistik inferensial merupakan generalisasi
terhadap populasi berdasarkan data sampel yang ada. Berdasarkan atas
ruang lingkup bahasannya, statistik inferensial meliputi:
1) Probabilitas
2) Distribusi teoritis
3) Sampling dan distribusi sampling
4) Pendugaan populasi atau teori populasi
5) Uji hipotesis
A. PENGERTIAN DATA
Data merupakan bentuk kata jamak dari “datum”. Dengan kita menyebut data,
maka sudah berarti dalam bentuk jamak, jadi kita cukup menyebutkan data
saja, bukan data-data. Data adalah himpunan angka yang berasal dari
pengamatan atau pengukuran terhadap sekelompok individu. Data juga bisa
berasal dari pengamatan terhadap individu yang diukur atau diamati secara
berulang-ulang sehingga diperoleh sekumpulan data. Dengan demikian maka
data statistik merupakan data agregat baik yang berasal dari sekelompok
individu maupun dari individu yang diukur secara berulang-ulang.
B. JENIS DATA
Berdasarkan cara memperolehnya, data dikategorikan menjadi data ukur dan
data hitung. Data ukur, yaitu data yang merupakan rangkaian data, nilainya
dapat berbentuk desimal (data kontinu) merupakan data hasil pengukuran.
Contohnya, pengukuran berat badan 40,8 kg, pengukuran tinggi badan 130,6
cm dan kadar hemoglobin 10,8 g/dl. Data hitung adalah data yang berbentuk
bilangan bulat (data diskrit) yang merupakan data hasil menghitung.
Contohnya jumlah anak dalam keluarga, jumlah penderita hepatitis dan
jumlah pengunjung rumah sakit.
Berdasarkan sifatnya, data dikelompokkan menjadi data kualitatif dan
kuantitatif. Data kualitatif adalah data berbentuk kualitas, contoh pernyataan
terhadap suatu pelayanan kesehatan (puas, tidak puas). Data kuantitatif
adalah data dalam bentuk bilangan atau numerik. Contohnya jumlah balita
yang mengikuti imunisasi campak.
Berdasarkan sumbernya, data dikelompokkan menjadi data primer, data
sekunder dan data tersier. Data primer adalah data yang dikumpulkan oleh
peneliti sendiri secara langsung, contohnya adalah data berat badan balita
yang diukur oleh peneliti. Data sekunder adalah data yang diambil dari suatu
sumber yang biasanya sudah dikompilasi oleh pemilik institusi pemilik data,
contoh data kunjungan pasien di rumah sakit tahun 2013 yang dilihat dari
bagian rekam medis. Data tersier adalah data yang dicuplik dari data yang
sudah dipublikasi. Namun dalam kegiatan pengolahan data suatu penelitian
hanya menggunakan data primer dan data sekunder.
C. PENYAJIAN DATA
Penyajian data dapat dilakukan dengan tiga bentuk, yaitu tulisan (textular),
tabel (tabular) dan grafik (diagram).
1. Penyajian Bentuk Tulisan
Hampir semua bentuk laporan pengumpulan data atau penelitian berupa
tulisan, mulai dari proses pengambilan sampel, pelaksanaan pengumpulan
data, hingga analisis berupa informasi. Penyajian bentuk tulisan adalah
penyajian yang paling sederhana sehingga sangat terbatas kemampuan
A. UKURAN PEMUSATAN
Nilai-nilai yang biasa digunakan untuk mewakili data adalah mean, median dan
modus. Nilai-nilai tersebut juga dikenal dengan nilai tengah (central tendency).
1. MEAN
Mean atau rata-rata hitung adalah nilai yang baik dan paling sering digunakan
untuk mewakili suatu data. Secara sederhana nilai mean adalah jumlah nilai-
nilai observasi dibagi dengan banyaknya observasi. Nilai mean dapat
diperhitungkan baik pada data sampel maupun data populasi dan dapat pula
diperhitungkan pada data tunggal dan data berkelompok.
2. MEDIAN
Median atau rata-rata tengah adalah nilai yang terletak pada observasi
ditengah setelah data disusun secara berurutan (array) dari yang terkecil
sampai yang terbesar atau sebaliknya. Nilai median merupakan nilai
pemusatan yang digunakan untuk data yang berdistribusi tidak simetris atau
menceng ke kanan atau ke kiri.
Posisi median ditentukan dengan rumus (n+1) / 2, dimana n adalah jumlah
sampel nilai median adalah nilai pada posisi tersebut. Jika jumlah sampel atau
banyaknya data dalam observasi adalah genap, maka nilai median ditentukan
dengan menjumlahkan dua nilai yang ditengah lalu membaginya menjadi dua.
Nilai median merupakan nilai rata-rata yang tidak terpengaruh oleh nilai
ekstrim. Nilai median diperhitungkan pada data tunggal dan data
berkelompok.
3. MODUS
Modus atau rata-rata terbanyak adalah nilai yang paling sering muncul
didalam suatu seri pengamatan. Dari pengertian nilai modus tersebut maka
untuk sekelompok data ada beberapa kemungkinan yang akan terjadi
berkaitan dengan nilai modus sebagai berikut:
a. Tidak ada nilai yang lebih banyak diobservasi, jadi tidak ada modus.
b. Ditemukan satu modus (unimodal).
c. Ada dua modus (bimodal).
d. Lebih dari dua modus (multimodal).
4. HUBUNGAN MEAN, MEDIAN, DAN MODUS
Hubungan mean, median dan modus adalah sebagai berikut:
1. Pada distribusi simetris, ketiga nilai tersebut sama besarnya.
2. Nilai median selalu terletak antara mean dan modus pada distribusi yang
menceng.
3. Jika nilai mean lebih besar daripada nilai median dan modus, maka
dikatakan distribusi menceng ke kanan.
4. Jika nilai mean lebih kecil daripada nilai median dan modus, maka
dikatakan distribusi menceng ke kiri.
Salah satu masalah dalam suatu penelitian adalah bagaimana data yang diperoleh
adalah akurat dan objektif. Hal ini sangat penting dalam penelitian karena
kesimpulan penelitian hanya akan dapat dipercaya (akurat). Data yang kita
kumpulkan tidak akan berguna bilamana alat pengukur yang digunakan untuk
mengumpulkan data penelitian tidak mempunyai validitas dan reliabilitas yang
tinggi.
A. UJI VALIDITAS
1. Pengertian Validitas
Validitas berasal dari kata Validity yang mempunyai arti sejauhmana ketepatan
suatu alat ukur dalam mengukur suatu data. Misalnya bila seseorang akan
mengukur cincin, maka dia harus menggunakan timbangan emas. Dilain pihak
bila seseorang ingin menimbang berat badan, maka dia harus menggunakan
timbangan berat badan. Jadi dapat disimpulkan bahwa timbangan emas valid
untuk mengukur berat cincin, tapi timbangan emas tidak valid untuk
menimbang berat badan.
2. Cara Mengukur Validitas
Untuk mengetahui validitas suatu instrumen (dalam hal ini kuesioner)
dilakukan dengan cara melakukan korelasi antar skor masing-masing variabel
dengan skor totalnya. Suatu variabel (pertanyaan) dikatakan valid bila skor
variabel tersebut berkorelasi secara signifikan dengan skor totalnya. Teknik
korelasi yang digunakan korelasi Pearson Product Moment.
Keputusan uji:
a. Bila r hitung lebih besar dari r tabel maka Ho ditolak, artinya variabel
valid.
b. Bila r hitung lebih kecil dari r tabel maka Ho gagal ditolak, artinya variabel
tidak valid.
B. RELIABILITAS
1. Pengertian Reliabilitas
Realibilitas adalah suatu ukuran yang menunjukkan sejauhmana hasil
pengukuran tetap konsisten bila dilakukan pengukuran dua kali atau lebih
terhadap gejala yang sama dan dengan alat ukur yang sama. Misalkan
seseorang ingin mengukur jarak dari satu tempat ke tempat lain dengan
menggunakan dua jenis alat ukur. Alat ukur pertama denganmeteran yang
dibuatdari logam, sedangkan alat ukur kedua dengan menghitung langkah
kaki. Pengukuran dengan meteran logam akan mendapatkan hasil yang sama
kalau pengukurannya diulang dua kali atau lebih. Sebaliknya pengukuran yang
dilakukan dengan kaki, besar kemungkinan akan didapatkan hasil yang
berbeda kalau pengukurannya diulang dua kali atau lebih. Dari ilustrasi ini
berarti meteran logam lebih reliable dibandingkan langkah kaki untuk
mengukur jarak.
No. Pertanyaan SS S KK J TP
(5) (4) (3) (2) (1)
1 Saya mengikuti perkuliahan dengan
penuh konsentrasi saat dosen
menerangkan materi perkuliahan.
2 Saya mengikuti perkuliahan
memperhatikan dengan seksama saat
dosen menerangkan materi perkuliahan.
3 Cara dosen menyampaikan bahasa tubuh
dihadapan mahasiswa menarik, sehingga
saya semangat mengikuti perkuliahan.
4 Cara dosen membawa diri dihadapan
mahasiswa menarik, sehingga saya
semangat mengikuti perkuliahan.
5 Saya menyampaikan pendapat atau ide
terkait dengan pelajaran yang saya
dapatkan dikelas.
Penyelesaian:
Langkahnya:
1. Masukkan data tersebut ke SPSS seperti tampilan diatas.
2. Klik ‘Analyze’
3. Pilih ‘Scale’
4. Pilih ‘Reliability Analysis’
Reliability Statistics
Cronbach's
Alpha N of Items
.716 5
Item Statistics
Mean Std. Deviation N
p1 3.13 .990 15
p2 2.80 1.207 15
p3 3.07 1.033 15
p4 2.73 .884 15
p5 3.20 .862 15
Scale Statistics
Mean Variance Std. Deviation N of Items
14.93 11.781 3.432 5
Interpretasi:
Hasil analisis reliability memperlihatkan dua bagian. Bagian utama menunjukkan hasil
statistik deskriptif masing-masing variabel dalam bentuk mean, varian dan lain-lain.
Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas. Kaidah
yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru
dilanjutkan uji reliabilitas.
a. Uji Validitas
Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r
tabel dengan nilai r hitung.
1) Menentukan nilai r tabel
Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan
df=n-2 yaitu 15-2=13. Pada tingkat kemaknaan 5%, didapat angka r tabel =
0,514.
2) Menentukan nilai r hasil perhitungan.
Nilai r hasil dapat dilihat pada kolom “Corrected item-Total Correlation”.
3) Keputusan
Masing-masing pertanyaan/variabel dibandingkan nilai r hasil dengan nilai r
tabel, ketentuan: bila r hasil > r tabel, maka pertanyaan tersebut valid.
Kesimpulan:
Terlihat dari 5 pertanyaan, ada dua pertanyaan yaitu P2 (r=0,186) dan
P4(0,070) yang nilainya lebih rendah dari r tabel (r=0,514). Sehingga
pertanyaan P2 dan P4 tidak valid, sedangkan untuk pertanyaan P1, P3, dan P5
dinyatakan valid.
4. Masukkan ketiga variabel ke dalam kotak ‘Items’ (variabel P2 dan P4 tidak ikut
dianalisis)
Reliability Statistics
Cronbach's
Alpha N of Items
.955 3
Item Statistics
Mean Std. Deviation N
p1 3.13 .990 15
p3 3.07 1.033 15
p5 3.20 .862 15
Item-Total Statistics
Corrected Cronbach's
Scale Mean if Scale Variance Item-Total Alpha if Item
Item Deleted if Item Deleted Correlation Deleted
p1 6.27 3.352 .924 .920
p3 6.33 3.381 .853 .980
p5 6.20 3.743 .960 .906
Scale Statistics
Mean Variance Std. Deviation N of Items
9.40 7.686 2.772 3
Interpretasi:
Sekarang terlihat bahwa dari keempat pertanyaan, semua mempunyai nilai r hasil
(Corrected item-Total Correlation) berada di atas dari nilai r table (r=0,514), sehingga
dapat disimpulkan ketiga pertanyaan tersebut valid.
Contoh:
Suatu penelitian menggunakan instrumen yang berbentuk observasi terhadap
perilaku perawat merawat pasien di rumah sakit. Pertanyaannya:
Apakah dalam melakukan komunikasi dengan pasien, perawat menggunakan
teknik komunikasi terapeutik?
1. ya 2. tidak
Kemudian dilakukan uji coba dengan pengamatan sebanyak 10 pasien, adapun
hasilnya sebagai berikut:
Symmetric Measures
Asymp. Std.
Value Errora Approx. Tb Approx. Sig.
Measure of Agreement Kappa .200 .310 .632 .527
N of Valid Cases 10
a. Not assuming the null hypothesis.
b. Using the asymptotic standard error assuming the null hypothesis.
Hasil uji didapatkan nilai koefisien kapaa sebesar 0,200 dan p-valuenya sebesar
0,527. Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak
signifikan/bermakna, sehingga kesimpulannya: ada perbedaan persepsi mengenai
aspek yang diamati antara peneliti dengan numerator.
A. Data Katagorik
Untuk menampilkan tabulasi data katagorik digunakan tampilan frekuensi.
Sebagai contoh kita akan menampilkan tabel distribusi frekuensi untuk variabel
pendidikan dari file ‘BAYI.SAV’.
1. Dari menu utama SPSS pilih ‘Analyze’, kemudian ‘Descriptive Statistic’ dan
pilih ‘Frequencies’, sehingga muncul tampilan:
3. Klik ‘OK’, hasil dapat dilihat di jendela output, seperti sebagai berikut:
Statistics
Tingkat pendidikan ibu
N Valid 180
Missing 0
Kolom ‘Frequency’ menunjukkan jumlah kasus dengan nilai yang sesuai. Pada contoh
di atas, total responden adalah 180 orang, dari jumlah tersebut 47 ibu yang
berpendidikan SD, proporsi dapat dilihat pada kolom ‘Percent’, pada contoh di atas
ada 26,1% ibu yang berpendidikan SD. Kolom ‘Valid Percent’ memberi hasil yang
sama karena pada data ini tidak ada ’missing cases’. ‘Cumulative Percent’
menjelaskan tentang persent kumulatif. Pada contoh di atas ada 72,8% ibu yang
tingkat pendidikannya SD dan SMP. Dalam menginterpretasikan tabel katagorik
dapat dilihat dari variasi dan konsentrasi datanya.
B. Data Numerik
Pada data numerik, peringkasan data dapat dilakukan dengan melaporkan ukuran
tengah dan sebarannya. Ukuran yang digunakan adalah rata-rata, median dan
modus. Sedangkan ukuran sebarannya (variasi) yang digunakan adalah range,
standard deviasi, minimal dan maksimal. Pada SPSS ada dua cara untuk
mengeluarkan analisis deskriptif yaitu dapat melalaui perintah ‘Frequencies’ atau
perintah ‘Explore’. Biasanya yang digunakan adalah Frequencies oleh karena
ukuran statistik yang dapat dihasilkan pada menu ‘Frequencies’ sangat lengkap
(seperti mean, median, varian dan lain-lain), selain itu pada perintah ini juga
dapat ditampilkan grafik histogram dan kurve normalnya.
Berikut akan dicoba mengeluarkan analisis deskriptif untuk variabel umur dengan
menggunakan perintah frequencies.
1. Aktifkan data “BAYI.sav”
2. Pilih ‘Analyze’
3. Pilih ‘Descriptive Statistic’
4. Pilih ‘Frequencies’, terlihat kotak frequencies:
6. Klik tombol option ‘Statistics…’, pilih ukuran yang anda minta misalnya mean,
median, standard seviasi, minimum, maximum, SE.
7. Klik ‘Continue’
8. Klik tombol option ‘Charts’ lalu muncul menu baru dan klik ‘Histogram’, lalu klik
‘With Normal Curve’
Dari hasil di atas, nilai rata-rata dapat dilihat pada baris mean, sedangkan nilai
standard deviasi dapat dilihat pada baris standard deviation. Pada contoh di atas,
rata-rata umur ibu adalah 23,37 tahun, median 23,0 tahun dan standard deviasi 5,343
tahun dengan umur termuda 14 tahun dan yang tertua 45 tahun. Distribusi frekuensi
ditampilkan menurut umur termuda sampai dengan umur tertua dengan informasi
tentang jumlah dan persentasenya. Bentuk distribusi data dapat diketahui dari grafik
histogram dan kurve normalnya. Dari hasil di atas belum diperoleh informasi estimasi
interval yang penting untuk melakukan estimasi parameter populasi. Bila anda ingin
Analisis Data Menggunakan SPSS 27
memperoleh estimasi interval lakukan analisis eksplorasi data dengan perintah
‘Explore’.
2. Isikan kotak ‘Dependent List’ dengan variabel ‘umur’, kotak ‘Factor List’ dan Label
Cases By’ biarkan kosong, sehingga tampilannya sebagai berikut:
4. Klik ‘Continue’
5. Klik ‘OK’, hasilnya dapat dilihat di layar:
Explore
Descriptives
Statistic Std. Error
Umur ibu (th) Mean 23.37 .398
95% Confidence Interval for Lower Bound 22.58
Mean
Upper Bound 24.15
5% Trimmed Mean 23.15
Median 23.00
Variance 28.546
Std. Deviation 5.343
Minimum 14
Maximum 45
Range 31
Interquartile Range 8
Skewness .704 .181
Kurtosis .559 .360
Stem width: 10
Each leaf: 1 case(s)
Hasil analisis didapatkan rata-rata umur ibu adalah 23,37 tahun (95% CI: 22,58-24,15),
dengan standar deviasi 5,343 tahun. Umur termuda 14 tahun dan umur tertua 45
tahun. Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-
rata umur ibu adalah diantara 22,58 sampai dengan 24,15 tahun.
APLIKASI SPSS
Uji t-Dependen
Uji-t dependen seringkali disebut uji-t paired/related atau berpasangan. Uji-t
dependen sering digunakan pada analisis data penelitian eksperimen. Kedua sampel
bersifat dependen kalau kedua kelompok sampel yang dibandingkan mempunyai
subyek yang sama. Dengan kata lain disebut dependen bila responden diukur dua
kali atau diteliti dua kali, sering orang mengatakan penelitian pre dan post. Misalnya
kita ingin membandingkan berat badan antara sebelum dan sesudah mengikuti
program diet. Untuk contoh ini akan dilakukan uji beda rata-rata berat badan ibu
sebelum dan sesudah melahirkan.
Adapun langkahnya:
1. Bukalah file “BAYI.SAV”.
2. Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub menu “Compare
Means’, lalu pilih “Paired-Samples T-Test”
Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan standar deviasi
berat badan ibu sebelum dan sesudah melahirkan. Rata-rata berat badan ibu
sebelum melahirkan adalah 58,98 kg dengan standar deviasi 13,818 kg. Berat badan
ibu setelah melahirkan didapat rata-rata berat badannya adalah 60,69 kg dengan
standar deviasi 13,785 kg. Perbedaan berat badan sebelum dan sesudah melahirkan
adalah 1,711 kg dengan standar deviasi 1,792. Perbedaan ini diuji dengan uji-t
berpasangan menghasilkan nilai ‘p’ yang dapat dilihat pada kolom “Sig (2-tailed)”.
Pada contoh di atas didapatkan nilai p=0,000, maka dapat disimpulkan ada
perbedaan yang signifikan berat badan ibu sebelum dan sesudah melahirkan.
Rata-rata berat badan ibu sebelum melahirkan adalah 58,98 kg dengan standar
deviasi 13,818 kg. Berat badan ibu setelah melahirkan didapat rata-rata berat
badannya adalah 60,69 kg dengan standar deviasi 13,785 kg. Perbedaan berat badan
sebelum dan sesudah melahirkan adalah 1,711 kg dengan standar deviasi 1,792. Hasil
uji statistik didapatkan nilai 0,000 maka dapat disimpulkan ada perbedaan yang
signifikan antara berat badan sebelum dan sesudah melahirkan.
UJI CHI-SQUARE
Analisis ini bertujuan untuk menguji perbedaan proporsi dua atau lebih
kelompok sampel. Uji statistik yang digunakan untuk menjawab kasus tersbut adalah
uji kai kuadrat (chi square).
PENGKODEAN VARIABEL
Pemberian kode harus ada konsistensi antara variabel independen dengan
variabel dependen. Untuk variabel independen, kelompok yang berisiko/expose
diberi kode tinggi (kode 1) dan kode rendah (kode 0) untuk kelompok yang tidak
berisiko/non expose. Pada variabel dependennya, kode tinggi (kode 1) untuk
kelompok kasus atau kelompok yang menjadi fokus pembahasan penelitian dan
kode rendah (kode 0) untuk kelompok non kasus atau yang bukan menjadi fokus
penelitian.
4. Pada kotak “Column(s)” diisi variabel dependennya, dalam contoh ini variable
status BBLR masuk ke kotak “Column(s)”.
5. Klik option “Statistics”, klik pilihan “Chi Square” dan klik pilihan “Risk”.
8. Klik “Continue”
9. Klik “OK” hasilnya tampak sebagai berikut:
Risk Estimate
95% Confidence Interval
Value Lower Upper
Odds Ratio for Status
Pekerjaan ibu (Tidak 2.041 1.076 3.871
bekerja / Bekerja)
For cohort Status BBLR =
1.252 1.017 1.542
Tidak
For cohort Status BBLR =
.614 .395 .953
Ya
N of Valid Cases 180
Pada hasil di atas tertampil tabel silang antara pekerjaan dengan status BBLR,
dengan angka di masing-masing selnya. Angka yang paling atas adalah jumlah kasus
masing-masing sel, angka kedua adalah persentase menurut baris (data yang kita
analisis “BAYI.SAV, berasal dari penelitian Cross Sectional sehingga persen yang
ditampilkan adalah persentase baris, namun bila jenis penelitiannya Case Control
angka persentase yang digunakan adalah persentase kolom).
Berdasarkan analisis data di atas maka interpretasinya:
Ada sebanyak 24 (24,2%) ibu yang tidak bekerja anaknya BBLR. Sedangkan diantara
ibu yang bekerja, ada 32 (39,5%) yang bayinya BBLR. Hasil uji Chi Square dapat
dilihat pada kotak “Chi Square Test”. Dari output muncul beberapa angka yaitu
Pearson, Continuity Correction, Likelihood dan Fisher.
Hasil analisis hubungan antara status pekerjaan dengan kejadian BBLR diperoleh
bahwa ada sebanyak 75 (75,8%) ibu yang tidak bekerja tidak mempunyai bayi BBLR.
Sedangkan diantara ibu yang bekerja, ada 49 (60,5%) yang tidak BBLR bayinya. Hasil
uji statistik diperoleh nilai p=0,041 maka dapat disimpulkan ada perbedaan proporsi
kejadian BBLR antara ibu tidak bekerja dengan ibu yang bekerja (ada hubungan yang
signifikan antara pekerjaan dengan kejadian BBLR). Dari hasil analisis diperoleh pula
nilai OR=2,041, artinya ibu yang bekerja mempunyai peluang 2,041 kali untuk terjadi
BBLR pada bayinya dibanding ibu yang tidak bekerja.
Kode perilaku:
1.Kurang
2.Cukup
3.Baik
Langkahnya:
1.Analyze – Correlate – Bivariate
4.Hasilnya
Correlations
Pengetahuan Perilaku
Spearman's rho Pengetahuan Correlation Coefficient 1.000 -.171
Sig. (2-tailed) . .637
N 10 10
Perilaku Correlation Coefficient -.171 1.000
Sig. (2-tailed) .637 .
N 10 10
Berdasarkan hasil analisis diatas dapat diketahui bahwa nilai korelasi r=-0,171
(artinya tidak ada hubungan) dan nilai p-value=0,637 (lebih besar dari 0,05) artinya
tidak terdapat hubungan antara pengetahuan dan perilaku.
2.Hasilnya
Seringkali dalam suatu penelitian kita ingin mengetahui hubungan antara dua
variabel yang berjenis numerik, misalnya huubungan berat badan dengan tekanan
darah, hubungan umur dengan kadar Hb, dsb. Hubungan antara dua variabel
numerik dapat dihasilkan dua jenis, yaitu derajat/keeratan hubungan, digunakan
korelasi. Sedangkan bila ingin mengetahui bentuk hubungan antara dua variabel
digunakan analisis regresi linier.
1. Korelasi
Korelasi di samping dapat untuk mengetahui derajat/keeratan hubungan, korelasi
dapat juga untuk mengetahui arah hubungan dua variabel numerik. Misalnya,
apakah huubungan berat badan dan tekanan darah mempunyai derajat yang kuat
atau lemah, dan juga apakah kedua variabel tersebut berpola positif atau negatif.
Secara sederhana atau secara visual hubungan dua variabel dapat dilihat dari
diagram tebar/pencar (Scatter Plot). Diagram tebar adalah grafik yang menunjukkan
titik-titik perpotongan nilai data dari dua variabel (X dan Y). Pada umumnya dalam
grafik, variabel independen (X) diletakkan pada garis horizontal sedangkan variabel
dependen (Y) pada garis vertikal.
Dari diagram tebar dapat diperoleh informasi tentang pola hubungan antara dua
variabel X dan Y. selain memberi informasi pola hubungan dari kedua variabel
diagram tebar juga dapat menggambarkan keeratan hubungan dari kedua variabel
tersebut. Nilai korelasi (r) berkisar 0 s.d. 1 atau bila dengan disertai arahnya nilainya
antara –1 s.d. +1.
r = 0 tidak ada hubungan linier
r = -1 hubungan linier negatif sempurna
r = +1 hubungan linier positif sempurna
Hubungan dua variabel dapat berpola positif maupun negatif. Hubungan positif
terjadi bila kenaikan satu diikuti kenaikan variabel yang lain, misalnya semakin
bertambah berat badannya (semakin gemuk) semakin tinggi tekanan darahnya.
Sedangkan hubungan negatif dapat terjadi bila kenaikan satu variable diikuti
Analisis Data Menggunakan SPSS 48
penurunan variabel yang lain, misalnya semakin bertambah umur (semakin tua)
semakin rendah kadar Hb-nya.
Menurut Colton, kekuatan hubungan dua variabel secara kualitatif dapat dibagi
dalam 4 area, yaitu:
r = 0,00 – 0,25 tidak ada hubungan/hubungan lemah
r = 0,26 – 0,50 hubungan sedang
r = 0,51 – 0,75 hubungan kuat
r = 0,76 – 1,00 hubungan sangat kuat / sempurna
UJI HIPOTESIS
Koefisien korelasi yang telah dihasilkan merupakan langkah pertama untuk
menjelaskan derajat hubungan derajat hubungan linier anatara dua variabel.
Selanjutnya perlu dilakukan uji hipotesis untuk mengetahui apakah hubungan antara
dua variable terjadi secara signifikan atau hanya karena faktor kebetulan dari
random sample (by chance). Uji hipotesis dapat dilakukan dengan dua cara, yaitu (1)
membandingkan nilai r hitung dengan r tabel, (2) menggunakan pengujian dengan
pendekatan distribusi t.
Untuk melakukan prediksi digunakan persamaan garis yang dapat diperoleh dengan
berbagai cara/metode. Salah satu cara yang sering digunakan oleh peneliti adalah
dengan menggunakan metode kuadrat terkecil (least square). Metode least square
Analisis Data Menggunakan SPSS 49
merupakan suatu metode pembuatan garis regresi dengan cara meminimalkan
jumlah kuadrat jarak antara nilai Y yang teramati dan Y yang diramalkan oleh garis
regresi itu.
Contoh lain misalnya hubungan antar suhu Fahrenheit dengan suhu Celcius dapat
dibuat persamaan Y = 32 + 9/5X. Variabel suhu Fahrenheit (Y) dapat
dihitung/diprediksi secara sempurna/tepat (bebas kesalahan) bila suhu Celcius (X)
diketahui. Ketika berhadapan pada kondisi ilmu sosial, hubungan antar variabel ada
kemungkinan kesalahan/penyimpangan (tidak eksak), artinya untuk beberapa nilai X
yang sama kemungkinan diperoleh nilai Y yang berbeda. Misalnya hubungan berat
badan dengan tekanan darah, tidak setiap orang yang berat badannya sama
memiliki tekanan darah yang sama. Oleh karena hubungan X dan Y pada ilmu
sosial/kesehatan masyarakat tidaklah eksak, maka persamaan garis yang dibentuk
menjadi:
Y=a+bx+e
Y = Variabel Dependen
X = Variabel Independen
a = Intercept, perbedaan besarnya rata-rata variabel Y ketika variabel X = 0
b = Slope, perkiraan besarnya perubahan nialia variabel Y bila nilai variabel X
berubah satu unit pengukuran
e = nilai kesalahan (error) yaitu selisih antara niali Y individual yang teramati
dengan nilai Y yang sesungguhnya pada titik X tertentu
A. Korelasi
Untuk mengeluarkan uji korelasi langkahnya adalah sebagai berikut:
1. Aktifkan data ‘BAYI.SAV’.
2. Dari menu utama SPSS, klik ‘Analyze’, kemudian pilih ‘Correlate’, dan lalu pilih
Bivariate’, dan muncullah menu Bivariate Correlations.
Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi, informasi
yang muncul terdapat tiga baris, baris pertama berisi nilai korelasi (r), baris kedua
menapilkan nilai p (p-value), dan baris ketiga menampilkan N (jumlah data). Pada
hasil di atas diperoleh nilai r = 0,203 dan nilai p = 0,006. Kesimpulan dari hasil
tersebut adalah hubungan berat badan ibu dan berat badan bayi menunjukkan
hubungan yang lemah dan berpola positif artinya semakin bertambah berat
badannya semakin tinggi berat badannya. Hasil uji statistic didapatkan ada
hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p =
0,006).
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 3958572.542 1 3958572.542 7.646 .006a
Residual 9.215E7 178 517700.578
Total 9.611E7 179
a. Predictors: (Constant), Berat badan ibu (sebelum hamil)
b. Dependent Variable: Berat bayi lahir (gr)
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2305.320 235.738 9.779 .000
Berat badan ibu
10.762 3.892 .203 2.765 .006
(sebelum hamil)
a. Dependent Variable: Berat bayi lahir (gr)
Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting
dalam regresi linier diantaranya: koefisien determinasi, persamaan garis dan p
value. Nilai koefisien determinasi dapat dilihat dari nilai R2 (anda dapat lihat pada
tabel ‘Model Summary’) yaitu besarnya 0,041 artinya, persamaan garis regresi yang
kita peroleh dapat menerangkan 4,1% variasi berat badan bayi atau persamaan
garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.
Selanjutnya pada tabel ANOVAb, diperoleh nilai “p” (di kolom Sig) sebesar 0,006,
berarti pada alpha 5% kita dapat menyimpulkan bahwa regresi sederhana cocok (fit)
dengan data yang ada persamaan garis regresi dapat dilihat pada tabel ‘Coefficient’
yaitu pada kolom B. Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai
intercept atau nilai “a”) sebesar 2305,32 dan nilai b = 10,762, sehingga persamaan
regresinya:
Y = a + bX
Berat badan bayi = 2305,32 + 10,762*(berat badan ibu)
Analisis Data Menggunakan SPSS 55
Dengan persamaan tersebut, berat badan bayi dapat diperkirakan jika kita tahu nilai
berat badan ibu. Uji uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig
T, dan menghasilkan nilai p=0,006. Jadi pada alpha 5% kita menolak hipotesis nol,
berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi. Dari nilai
b=10,762 berarti bahwa variabel berat badan bayi akan bertambah sebesar 10,762
gram bila berat badan ibu bertambah setiap satu kilogram.
Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan lemah
(r=0,203) dan berpola positif artinya semakin bertambah berat badan ibu semakin
besar berat badan bayinya. Nilai koefisien dengan determinasi 0,041 artinya,
persamaan garis regresi yang kita peroleh dapat menerangkan 4,1% variasi berat
badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan
variabel berat badan bayi. Hasil uji statistik didapatkan ada hubungan yang
signifikan antara berat badan ibu dengan berat badan bayi (p=0,006).
A. Konfounding
Konfounding merupakan kondisi bias dalam mengestimasi efek pajanan/expose
terhadap kejadian penyakit/masalah kesehatan, akibat dari perbandingan yang
tidak seimbang antara kelompok expose dengan kelompok non expose. Masalah
ini terjadi dikarenakan pada dasarnya sudah ada perbedaan risiko terjadinya
penyakit pada kelompok expose dengan kelompok non expose. Artinya risiko
terjadinya penyakit pada kedua kelompok itu berbeda meskipun expose
dihilangkan pada kedua kelompok tersebut.
Suatu variabel disebut konfounding bila variabel tersebut merupakan factor risiko
terjadinya penyakit dan memiliki hubungan dengan expose. Seorang ahli statistik
menyatakan bahwa suatu variabel dikatakan konfounding jika variable tersebut
merupakan faktor risiko untuk terjadinya penyakit (outcome) dan berhubungan
dengan variabel independen tapi tidak merupakan hasil dari variabel independen.
Analisis Data Menggunakan SPSS 60
B. Interaksi
Interaksi atau efek modifikasi adalah heterogenitas efek dari satu expose, pada
tingkat expose yang lain. Jadi efek satu expose pada kejadian penyakit berbeda
pada kelompok expose lainnya. Tidak adanya modifikasi efek, berarti efek
expose homogen. Modisikasi efek merupakan konsep yang penting dalam
analisis karena pada saat analisis kita harus menentukan apakah akan
melaporkan efek bersama (yang terkontrol konfounder) atau efek yang terpisah
untuk masing-masing strata.
Pada analisis multivariat, jika ditemukan adanya interaksi antar variable expose
dengan variabel lainnya, maka nilai koefisien, misalnya OR, harus dilaporkan
secara terpisah menurut strata dari variabel tersebut. Nilai OR yang tertera pada
variabel menjadi tidak berlaku dan nilai OR untuk masing-masing strata harus
dihitung.
A. PENGERTIAN
Analisis multiple regression linear atau sering disebut juga analisis regresi linier
ganda merupakan perluasan analisis regresi linier sederhana. Dalam analisis ini
simple linear regression hanya ada satu variable independen (variabel bebas)
dihubungkan dengan satu variabel dependen terikat). Sedangkan pada multiple
regression linear merupakan analisis hubungan antara beberapa variabel
independen dengan satu variabel dependen. Misalkan untuk mengetahui faktor-
faktor yang berhubungan dengan tekanan darah, dilakukan analisis dengan
melibatkan variabel independen: umur, berat badan, dan jenis kelamin.
Banyak kriteria yang dapat digunakan untuk memilih variabel masuk dalam
model, salah satu kriteria yang sering digunakan adalah melihat perubahan R 2 (R
Square). Namun penggunaan kriteria ini perlu hati-hati, karena setiap
penambahan satu variabel independen akan meningkatkan R2 walaupun variabel
tersebuttidak cukup penting. Oleh karena itu model yang digunakan adalah
model dengan nilai R2 yang besar namun variabel independennya dengan jumlah
sedikit.
F. ANALISIS INTERAKSI
Setelah memperoleh model yang memuat variabel-variabel penting, maka
langkah selanjutnya adalah memeriksa adanya interaksi antar variabel
independen. Interaksi merupakan keadaan dimana hubungan antara satu
variabel independen dengan dependen berbeda menurut tingkat variabel
independen yang lain.
Correlations
Berat badan
ibu (sebelum Berat bayi lahir
Umur ibu (th) hamil) (gr)
Umur ibu (th) Pearson Correlation 1 .161* .097
Sig. (2-tailed) .030 .196
N 180 180 180
Berat badan ibu (sebelum Pearson Correlation .161* 1 .203**
hamil) Sig. (2-tailed) .030 .006
N 180 180 180
Berat bayi lahir (gr) Pearson Correlation .097 .203** 1
Sig. (2-tailed) .196 .006
N 180 180 180
*. Correlation is significant at the 0.05 level (2-tailed).
**. Correlation is significant at the 0.01 level (2-tailed).
Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variable
umur (p=0,196) dan berat badan (p=0,006). Dari hasil ini dapat kita simpulkan
bahwa variabel umur dan berat badan ibu sebelum melahirkan mempunyai p-value
<0,25, dengan demikian kedua variabel tersebut dapat lanjut masuk ke pemodelan
multivariat.
2. Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan
‘Grouping Variable’. Keterangan: kotak test varibles tempat memasukkan
variable numeriknya, sedangkan kotak grouping variable untuk memasukkan
variable katagoriknya, ingat jangan sampai terbalik.
3. Klik ‘bbayi’ dan masukkan ke kotak ‘Test variable’.
4. Klik variabel ‘rokok’ dan masukkan ke kotak‘Grouping Variable’.
6. Klik “Continue”.
7. Klik “OK” untuk menjalankan prosedur perintahnya, dan hasilnya sebagai berikut:
Group Statistics
Apakah
ibu
perokok N Mean Std. Deviation Std. Error Mean
Berat bayi lahir (gr) Tidak 111 3051.14 752.562 71.430
Ya 69 2761.46 666.868 80.282
Levene's Test
for Equality of
Variances t-test for Equality of Means
95% Confidence
Interval of the
Sig. Difference
(2- Mean Std. Error
F Sig. t df tailed) Difference Difference Lower Upper
Berat bayi lahir Equal variances
(gr) assumed 1.213 .272 2.621 178 .010 289.671 110.536 71.542 507.800
Equal variances
2.696 157.328 .008 289.671 107.459 77.424 501.919
not assumed
2. Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan
‘Grouping Variable’. Keterangan: kotak test varibles tempat memasukkan
variable numeriknya, sedangkan kotak grouping variable untuk memasukkan
variable katagoriknya, ingat jangan sampai terbalik.
3. Klik ‘bbayi’ dan masukkan ke kotak ‘Test variable’.
4. Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’. (variabel yang
sebelumnya (variabel rokok) dikeluarkan dahulu baru ‘ht’ dimasukkan.
6. Klik “Continue”.
7. Klik “OK” untuk menjalankan prosedur perintahnya, dan hasilnya sebagai berikut:
Group Statistics
Apakah
ibu
hiperten
si N Mean Std. Deviation Std. Error Mean
Berat bayi lahir (gr) Tidak 168 2968.90 712.426 54.965
Ya 12 2536.75 917.341 264.813
Equal variances
1.598 11.967 .136 432.155 270.458 -157.303 1021.613
not assumed
Dari hasil analisis bivariat uji-t antara variabel riwayat adanya hipertensi dengan
berat bayi didapatkan p-value=0,048, berarti p-value <0,25 sehiingga variabel
riwayat adanya hipertensi dapat lanjut ke analisis multivariat.
2. Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan
‘Grouping Variable’. Keterangan: kotak test variables tempat memasukkan
variable numeriknya, sedangkan kotak grouping variable untuk memasukkan
variable katagoriknya, ingat jangan sampai terbalik.
3. Klik ‘bbayi’ dan masukkan ke kotak ‘Test variable’.
4. Klik variabel ‘kerja’ dan masukkan ke kotak‘Grouping Variable’. (variabel yang
sebelumnya (variabel ht) dikeluarkan dahulu baru variable ‘kerja’ dimasukkan.
6. Klik “Continue”.
7. Klik “OK” untuk menjalankan prosedur perintahnya, dan hasilnya sebagai berikut:
Group Statistics
Status
Pekerjaan ibu N Mean Std. Deviation Std. Error Mean
Berat bayi lahir (gr) Tidak bekerja 99 3075.06 627.025 63.018
Bekerja 81 2775.14 818.322 90.925
Levene's Test
for Equality of
Variances t-test for Equality of Means
95% Confidence
Interval of the
Mean
Difference
Sig. (2- Differenc Std. Error
F Sig. t df tailed) e Difference Lower Upper
Berat Equal variances
bayi assumed 3.592 .060 2.783 178 .006 299.925 107.771 87.252 512.597
lahir (gr)
Equal variances
2.711 147.529 .008 299.925 110.628 81.304 518.546
not assumed
Dari hasil analisis bivariat uji t antara variabel riwayat adanya kerja dengan berat
bayi didapatkan p-value=0,008, berarti p valuenya <0,25 sehiingga variabel riwayat
kerja dapat lanjut ke analisis multivariate.
3. Dari menu One way ANOVA, terlihat bahwa kotak Dependent List dan kotak
Factor perlu diisi variabel. Kotak ‘dependent’ diisi variabel numerik dan kotak
‘factor’ diisi variabel katagoriknya. Pada contoh ini berarti pada kotak Dependen
diisi variabel “bbbayi” pada kotak Factor diisi variabel “Didik”.
5. Klik “Continue”.
6. Klik tombol “Post Hoc”, tandai dengan √ pada kotak “Bonferroni”.
7. Klik “Continue”.
8. Klik “OK”
9. Hasilnya sebagai berikut:
ANOVA
Berat bayi lahir (gr)
Sum of
Squares df Mean Square F Sig.
Between Groups 2.913E7 2 1.456E7 38.485 .000
Within Groups 6.698E7 177 378427.657
Total 9.611E7 179
Multiple Comparisons
Berat bayi lahir (gr)
Bonferroni
(I) (J) 95% Confidence Interval
Tingkat Tingkat
pendidi pendidi Mean
kan ibu kan ibu Difference (I-J) Std. Error Sig. Lower Bound Upper Bound
SD SMP -514.741* 112.057 .000 -785.58 -243.91
SMA -1100.044* 125.597 .000 -1403.61 -796.48
SMP SD 514.741* 112.057 .000 243.91 785.58
SMA -585.303* 110.581 .000 -852.57 -318.03
SMA SD 1100.044* 125.597 .000 796.48 1403.61
SMP 585.303* 110.581 .000 318.03 852.57
*. The mean difference is significant at the 0.05 level.
Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”,
terlihat p=0,000, berarti pada alpha 5%, dapat disimpulkan ada perbedaan berat bayi
diantara ketiga jenjang pendidikan. Pada Box paling bawah terlihat hasil dari uji
‘Multiple Comparisons Bonferroni” yang berguna untuk menelusuri lebih lanjut
kelompok mana saja yang berhubungan signifikan. Untuk mengetahui kelompok
yang signifikan dapat terlihat dari kolom Sig. Ternyata kelompok signifikan adalah
tingkat pendidikan SD dengan SMP, SD dengan SMU, SMP dengan SMU.
4. Abaikan lainnya
5. Klik ‘OK’, dan hasilnya sebagai berikut:
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 3.879E7 6 6464519.909 19.510 .000a
Residual 5.732E7 173 331341.942
Total 9.611E7 179
a. Predictors: (Constant), Tingkat pendidikan ibu, Status Pekerjaan ibu, Umur ibu (th),
Apakah ibu hipertensi, Apakah ibu perokok, Berat badan ibu (sebelum hamil)
b. Dependent Variable: Berat bayi lahir (gr)
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2237.356 259.123 8.634 .000
Umur ibu (th) .331 8.209 .002 .040 .968
Berat badan ibu (sebelum
7.016 3.304 .132 2.123 .035
hamil)
Apakah ibu perokok -203.935 89.228 -.136 -2.286 .023
Apakah ibu hipertensi -533.456 178.348 -.182 -2.991 .003
Status Pekerjaan ibu -283.628 87.205 -.193 -3.252 .001
Tingkat pendidikan ibu 516.795 60.634 .516 8.523 .000
a. Dependent Variable: Berat bayi lahir (gr)
Langkahnya:
1. Klik ‘Analysis’, sorot ‘Regression’, sorot dan klik ‘Linier’.
2. Di layar nampak pada kotak Dependen masih terisi ‘bbayi’ lewati dan biarkan
saja. Pada kotak Independen juga masih lengkap ada 6 variabel, namun
sekarang anda harus keluarkan variabel ‘umur’ dan masukkan ke kotak Variable
di sebelah kiri.
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .635a .404 .386 573.969
a. Predictors: (Constant), Tingkat pendidikan ibu, Status
Pekerjaan ibu, Apakah ibu hipertensi, Apakah ibu
perokok, Berat badan ibu (sebelum hamil)
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 3.879E7 5 7757316.165 23.547 .000a
Residual 5.732E7 174 329440.773
Total 9.611E7 179
a. Predictors: (Constant), Tingkat pendidikan ibu, Status Pekerjaan ibu, Apakah
ibu hipertensi, Apakah ibu perokok, Berat badan ibu (sebelum hamil)
b. Dependent Variable: Berat bayi lahir (gr)
Setelah variabel umur dikeluarkan, kita cek dulu apakah setelah dikeluarkan, ada
perubahan besar (berubah lebih dari 10 %) untuk R Square dan Coef. B. Bila ada
perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model
(tetap dipertahankan di model). Untuk nilai R Square ternyata tidak ada perubahan
yaitu tetap 0,404. Sedangkan untuk coefisien B, Sekarang kita bandingkan nilai
coefisien B untuk variabel berat badan ibu, riwayat merokok, riwayat hipertensi,
pekerjaan dan pendidikan antara sebelum dan sesudah variabel umur dikeluarkan,
hasil perhitungannya sebagai berikut:
Variable Umur masih ada Umur Perubahan
dikeluarkan koefisien
Berat badan ibu 7,016 7,037 0,3%
Merokok -203,935 -204,044 0,5%
Hipertensi -533,456 -533,857 0,07%
Pekerjaan -283,628 -283,795 0,06%
Pendidikan 516,795 516,964 0,03%
Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel, ternyata
tidak ada yang berubah lebih dari 10 %, dengan demikian variable umur kita
keluarkan dari model. Selanjutnya kita lihat kembali bahwa pada model variabel
yang p-value >0,05. Dari hasil analisis ternyata tidak ada lagi yang p-valuenya >0,05
dengan demikian proses pencarian variabel yang masuk dalam model telah selesai
dan model yang terakhir adalah sebagai berikut:
7. Klik Continue.
8. Klik tombol ‘Plot”.
Hasilnya :
a. Asumsi Eksistensi (Variabel Random)
Untuk tiap nilai dari variabel X (variabel independen), variabel Y (dependen) adalah
variabel random yang mempunyai mean dan varian tertentu. Asumsi ini berkaitan
dengan teknik pengambilan sampel. Untuk memenuhi asumsi ini, sampel yang
diambil harus dilakukan secara random. Cara mengetahui asumsi eksistensi dengan
cara melakukan analisis deskriptif vareiabel residual dari model, bila residual
menunjukkan adanya mean mendekati nilai nol dan ada sebaran (varian ata
satandar deviasi) maka asumsi eksistensi terpenuhi. Hasil analisis:
Hasil dari output diatas menunjukkan angka residual dengan mean 0,000 dan
standar deviasi 565,896. Dengan demikian asumsi eksistensi terpenuhi.
b. Asumsi Independensi
Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain. Jadi nilai dari
tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai observasi yang
berbeda yang diukur dari satu individu diukur dua kali. Untuk mengetahui asuamsi ini
dilakukan dengan cara mengeluarkan uji Durbin Watson, bila nilai Durbin –2 s.d. +2
berarti asumsi independensi terpenuhi, sebaliknya bila nilai Durbin < -2 atau > +2
berarti asumsi tidak terpenuhi.
Dari hasil uji didapatkan koefisien Durbin Watson 1,957, berarti asumsi independensi
terpenuhi.
c. Asumsi Linieritas
Nilai mean dari variabel Y untuk suatu kombinasi X1, X2, X3, …, Xk terletak pada
garis/bidang linier yang dibentuk dari persamaan regresi. Untuk mengetahui asumsi
linieritas dapat diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p-
value<alpha) maka model berbentuk linier. Hasil uji asumsi:
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 3.879E7 5 7757316.165 23.547 .000a
Residual 5.732E7 174 329440.773
Total 9.611E7 179
a. Predictors: (Constant), Tingkat pendidikan ibu, Status Pekerjaan ibu, Apakah
ibu hipertensi, Apakah ibu perokok, Berat badan ibu (sebelum hamil)
b. Dependent Variable: Berat bayi lahir (gr)
Dari output diatas menghasilkan uji anova 0,000, berarti asumsi linearitas terpenuhi.
Dari hasil plot diatas terlihat tebaran titik mempunyai pola yang sama antara titik-titik
diatas dan dibawah garis diagonal 0. Dengan demikian asumsi homoscedascity
terpenuhi.
f.Diagostik Multicollinearity
Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi
secara kuat (multicollinearity). Untuk mendeteksi collinearity dapat diketahui dari nilai
VIF (variance inflation factor), bila nilai VIF lebih dari 10 maka mengindikasikan telah
terjadi collinearity.
Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10, dengan demikian
tidak ada Multicollinearity antara sesama variabel indepeden.
Dari hasil uji asumsi dan uji kolinearitas ternyata semua asumsi terpenuhi sehingga
model dapat digunakan untuk memprediksi berat badan bayi. Langkah sekanjutnya
adalah UJI INTERAKSI, Namun karena secara substansi antar variabel dipandang
tidak interaksi maka uji interaksi tidak dilakukan. Sehingga model yang terakhir
adalah sebagai berikut:
Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .635a .404 .386 573.969
a. Predictors: (Constant), Tingkat pendidikan ibu, Status
Pekerjaan ibu, Apakah ibu hipertensi, Apakah ibu
perokok, Berat badan ibu (sebelum hamil)
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 2243.865 202.110 11.102 .000
Berat badan ibu (sebelum
7.037 3.256 .133 2.161 .032
hamil)
Apakah ibu perokok -204.044 88.932 -.136 -2.294 .023
Apakah ibu hipertensi -533.857 177.558 -.182 -3.007 .003
Status Pekerjaan ibu -283.795 86.856 -.193 -3.267 .001
Tingkat pendidikan ibu 516.964 60.316 .517 8.571 .000
a. Dependent Variable: Berat bayi lahir (gr)
Interpretasi model:
Setelah dilakukan analisis, ternyata variabel independen yang masuk model regresi
adalah berat badan ibu sebelum melahirkan, merokok, riwayat hipertensi, riwayat
pekerjaan dan pendidikan. Pada tabel ‘Model Summary’ terlihat koefisien
determinasi (R square) menunjukkan nilai 0,404 artinya bahwa model regresi yang
diperoleh dapat menjelaskan 40,4% variasi variabel dependen berat bayi. Atau
dengan kata lain keempat variabel independen tersebut dapat menjelaskan variasi
variable berat bayi sebesar 40,4%. Kemudian pada kotak ‘ANOVA’, kita lihat hasil uji
F yang menunjukkan nilai P (sig) = 0,000, berarti pada alpha 5% kita dapat
menyatakan bahwa model regresi cocok (fit) dengan data yang ada. Atau dapat
diartikan variabel tersebut secara signifikan dapat untuk memprediksi variabel berat
bayi.
Dengan model persamaan ini, kita dapat memperkirakan berat badan bayi dengan
menggunakan variabel berat badan ibu, merokok, hipertensi, pekerjaan dan
pendidikan.
Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar
peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan
bayi). Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel
dependennya. Pada hasil di atas berarti variabel yang paling besar pengaruhnya
terhadap penentuan berat badan bayi adalah tingkat pendidikan ibu.
Berbeda dengan regresi linier yang variabel dependennya numerik, regresi logistik
merupakan jenis regresi yang mempunyai ciri khusus, yaitu variabel dependennya
berbentuk variabel katagorik (terutama yang dikotomus, artinya katagorik yang terdiri
dari dua kelompok, misalnya hidup/mati, puas/tidak puas dan lainnya).
Perbedaan antara regresi linear dengan regresi logistik terletak pada jenis variabel
dependennya. Regresi linear digunakan apabila variabel dependennya numerik,
sedangkan regresi logistik digunakan pada data yang dependennya berbentuk
katagorik yang dikotom.
Model regresi logistik dapat digunakan pada data yang dikumpulkan melalui
rancangan kohort, case control maupun cross sectional. Pada rancangan kohort
prospektif dapat digunakan untuk memperkirakan risiko individual. Sedangkan pada
rancangan case control dan cross sectional tidak dapat digunakan untuk menghitung
risiko individual karena β0 pada rancangan ini tidak sahih. Nilai β0 dapat
dihitung/diestimasi bila sampling fraction populasi yang disampel diketahui. Kondisi
ini hanya terjadi pada rancangan kohort (keterangan: sampling fraction adalah
proporsi terpapar yang menjadi sakit atau tidak sakit).
Namun dengan memperlakukan rancangan case control dan cross sectional sebagai
studi follow up, maka dapat dihitung OR (Odds Ratio), yang merupakan perhitungan
RR yang indirek. Nilai OR yang merupakan yang merupakan perhitungan
eksponensial β dari persamaan garis regresi logistik.
Prosedur pemodelan:
Agar diperoleh model regresi yang hemat dan mampu menjelaskan hubungan
variabel independen dan independen dalam populasi, diperlukan prosedur pemilihan
variabel sebagai berikut:
1. Melakukan analisis bivariat antara masing-masing variabel independen dengan
variabel dependennya. Bila hasil uji bivariat mempunyai nilai p<0,25, maka
variabel tersebut dapat masuk model multivariat. Namun bisa saja p- value >0,25
tetap diikutkan ke multivariat bila variabel tersebut secara substansi penting.
2. Memilih variabel yang dianggap penting yang masuk dalam model, dengan cara
mempertahankan variabel yang mempunyai p-value <0,05 dan mengeluarkan
Analisis Data Menggunakan SPSS 99
variabel yang p-valuenya >0,05. Pengeluaran variable tidak serentak semua
yang p-valuenya >0,05, namun dilakukan secara bertahap dimulai dari variabel
yang mempunyai p-value terbesar.
3. Identifikasi linearitas variabel numerik dengan tujuan untuk menentukan apakah
variabel numerik dijadikan variabel katagorik atau tetap variable numerik.
Caranya dengan mengelompokkan variabel numerik ke dalam 4 kelompok
berdasarkan nilai kuartilnya. Kemudian lakukan analisis logistic dan dihitung nilai
OR-nya. Bila nilai OR masing-masing kelompok menunjukkan bentuk garis lurus,
maka variabel numerik dapat dipertahankan. Namun bila hasilnya menunjukkan
adanya patahan, maka dapat dipertimbangkan dirubah dalam bentuk katagorik.
4. Setelah memperoleh model yang memuat variabel-variabel penting, maka
langkah terakhir adalah memeriksa kemungkinan interaksi variabel ke dalam
model. Penentuan variabel interaksi sebiknya melalui pertimbangan logika
substantif. Pengukian interaksi dilihat dari kemaknaan uji statistik. Bila variabel
mempunyai nilai bermakna, maka variabel interaksi penting dimasukkan dalam
model.
Tahapan pemodelan:
1. Lakukan pemodelan lengkap, mencakup variabel utama, semua kandidat
konfonding dan kandidat interaksi (interaksi dibuat antara variabel utama dengan
semua variabel konfonding).
2. Lakukan penilaian interaksi, dengan cara mengeluarkan variabel interaksi yang
nilai p-Wald-nya tidak signifikan dikeluarkan dari model secara berurutan satu per
satu dari nilai p-Wald yang terbesar.
3. Lakukan penilaian konfonding, dengan cara mengeluarkan variable kovariat/
konfonding satu per satu dimuali dari yang memiliki nilai p-Wald terbesar, bila
setelah dikeluarkan diperoleh selisih OR faktor/variable utama antara sebelum
dan sesudah variabel kovariat (X1) dikeluarkan lebih besar dari 10%, maka
Adapun langkahnya:
A. SELEKSI BIVARIAT
Masing-masing variabel independen dilakukan analisis bivariat dengan variable
dependen. Bila hasil bivariat menghasilkan p-value <0,25, maka variable tersebut
langsung masuk tahap multivariat. Untuk variabel independen yang hasil bivariatnya
menghasilkan p-value >0,25 namun secara substansi penting,
maka variabel tersebut dapat dimasukkan dalam model multivariat. Seleksi bivariat
menggunakan uji regresi logistik sederhana.
Chi-square df Sig.
Model Summary
Predicted
95.0% C.I.for
EXP(B)
Dari hasil output, pada tampilan Block 1 didapatkan hasil omnibus test pada bagian
Bloc dengan p value 0,077 berarti variabel umur p value nya <0,25 sehingga variabel
umur dapat dilanjutkan ke analisis multivariat. Dari tampilan SPSS nilai OR dapat
diketahui dari kolom Exp(B) yaitu sebesar 0,946 (95% CI:
0,888-1,008).
3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak
Covariates.
4. Pada kotak Dependent tetap berisi “bblr” dan pada kotak Covariates variabel ‘age’
dikeluarkan dan gantilah dengan mengisikan variabel ‘bbibu_1’.
Tampilannya sebagai berikut:
Chi-square df Sig.
Model Summary
Classification Tablea
Predicted
95.0% C.I.for
EXP(B)
Hasil uji didapatkan p-value 0,010 berarti p-value <0,25, sehingga variabel berat
badan ibu dapat lanjut ke multivariat. Dari output dapat diketahui juga nilai OR 0,967
(0,940-0,994).
3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak
Covariates.
4. Pada kotak Dependent tetap berisi “bblr” dan pada kotak Covariates isikan “ht”.
Klik OK, Tampilannya sbb:
Chi-square df Sig.
Model Summary
Predicted
95.0% C.I.for
EXP(B)
Chi-square df Sig.
Model Summary
Predicted
95.0% C.I.for
EXP(B)
3.Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak
Covariates.
4.Pada kotak Dependent tetap berisi “bblr” dan pada kotak Covariates isikan “kerja”.
Klik OK, Tampilannya sebagai berikut:
Chi-square df Sig.
Model Summary
Predicted
95.0% C.I.for
EXP(B)
Chi-square df Sig.
Model Summary
Predicted
95.0% C.I.for
EXP(B)
Hasil uji didapatkan p-value 0,000 berarti p-value <0,25, sehingga variabel
pendidikan dapat lanjut ke multivariat. Dari output dapat diketahui juga nilai OR
dummy, terlihat ada dua nilai OR yaitu OR untuk didik(1) 0,234 artinya pendidikan
SMA akan berisiko bayinya BBLR sebesar 0,234 kali lebih rendah dibandingkan
pendidikan SD. Nilai OR untuk didik(2) besarnya 0,055 artinya pendidikan SMP
mempunyai risiko bayinya BBLR sebesar 0,055 kali lebih rendah dibandingkan
pendidikan SD.
PEMODELAN MULTIVARIAT
Selanjutnya dilakukan analisis multivariat keenam variabel tersebut dengan kejadian
BBLR. Lakukan pemilihan variabel yang berhubungan signifikan dengan variable
dependen.
1. Pilih “Analyze”
2. Pilih “Regression”
3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan kotak
Covariates.
Output:
Variables in the Equation
95.0% C.I.for
EXP(B)
95.0% C.I.for
EXP(B)
Dari hasil analisis terlihat ada 3 variabel yang p valuenya > 0,05 yaitu umur, bbibu_1,
rokok, sehingga pemodelan selanjutnya variabel umur dikeluarkan dari model.
Dengan langkah yang sama akhirnya diperoleh hasil sebagai berikut:
Variables in the Equation
95.0% C.I.for
EXP(B)
Setelah umur dikeluarkan, kita lihat perubahan nilai OR untuk variabel lainnya.
Dengan hasil perbandingan OR terlihat tidak ada yang >10 % dengan demikian
umur dikeluarkan dalam model. Selanjutnya variabel yang terbesar p valuenya
adalah bbibu_1, dengan demikian dikelurkan dari model dan hasilnya:
95.0% C.I.for
EXP(B)
Setelah variabel umur dikeluarkan, kita cek lagi perubahan OR untuk variable yang
masih aktif di model. Setelah dilakukan perbandingan OR, ternyata variabel bbibu_1
tidak berubah OR >10 %, dengan demikian variabel berat badan ibu dikeluarkan dari
model. Selanjutnya variable rokok dikeluarkan dan hasilnya sebagai berikut:
95.0% C.I.for
EXP(B)
C. UJI INTERAKSI
Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi,
kalau memang tidak ada tidak perlu dilakukan uji interaksi. Dalam kasus sekarang,
misalkan kita duga pekerjaan berinteraksi dengan hipertensi.
Langkahnya:
1. Klik “analysis”, klik “regression”, klik “binary logistic”
6. Klik OK
Chi-
square df Sig.
ht by
.482 1.602 .090 1 .764 1.619
kerja
MODEL TERAKHIR
Variables in the Equation
Interpretasi:
Model regresi logistik hanya dapat digunakan untuk penelitian yang bersifat Kohort.
Sedangkan untuk penelitian yang bersifat cross sectional atau case control,
interpretasi yang dapat dilakukan hanya menjelaskan nilai OR (ExpB) pada masing-
masing variabel. Oleh karena analisisnya multivariat/ganda maka nilai OR-nya
sudah terkontrol (adjusted) oleh variabel lain yang ada pada model. Dari analisis
multivariat ternyata variabel yang berhubungan bermakna dengan kejadian BBLR
adalah variabel hipertensi, pekerjaan dan pendidikan.
Hasil analisis didapatkan Odds Ratio (OR) dari variabel hipertensi adalah 6,130,
artinya ibu yang menderita hipertensi akan melahirkan bayi BBLR sebesar 6 kali
lebih tinggi dibandingkan ibu yang tidak menderita hipertensi setelah dikontrol
variabel pekerjaan dan pendidikan. Secara sama dapat diinterpretasikan untuk
variabel yang lain.
1. TUJUAN PENELITIAN
Tujuan Umum:
Mengetahui faktor-faktor yang berhubungan dengan kejadian BBLR.
Tujuan Khusus:
a. Mengetahui faktor yang berhubungan dengan kejadian BBLR, meliputi faktor:
1. Umur ibu
2. Berat badan ibu sebelum melahirkan
3. Kebiasaan merokok
4. Riwayat hipertensi
5. Status kerja
6. Pendidikan terakhir
b. Mengetahui kejadian BBLR
2. VARIABEL PENELITIAN
a. Variable Dependen: kejadian BBLR.
b. Variable Independen:
1) Umur ibu.
2) Berat badan ibu sebelum melahirkan.
3) Kebiasaan merokok.
4) Riwayat hipertensi.
5) Status kerja.
6) Pendidikan terakhir.
3. HIPOTESIS PENELITIAN
a. Hipotesis Nol (H0)
1) Tidak ada hubungan antara umur ibu dengan kejadian BBLR.
2) Tidak ada hubungan antara berat badan ibu dengan kejadian BBLR.
3) Tidak ada hubungan antara kebiasaan merokok ibu dengan kejadian BBLR.
4) Tidak ada hubungan antara riwayat hipertensi dengan kejadian BBLR.
5) Tidak ada hubungan antara status kerja dengan kejadian BBLR.
6) Tidak ada hubungan antara pendidikan ibu dengan kejadian BBLR.
b. Hipotesis Alternatif (Ha)
1) Ada hubungan antara umur ibu dengan kejadian BBLR.
2) Ada hubungan antara berat badan ibu dengan kejadian BBLR.
3) Ada hubungan antara kebiasaan merokok ibu dengan kejadian BBLR.
4) Ada hubungan antara riwayat hipertensi dengan kejadian BBLR.
5) Ada hubungan antara status kerja dengan kejadian BBLR.
6) Ada hubungan antara pendidikan ibu dengan kejadian BBLR.
5. DESAIN PENELITIAN
Desain penelitian korelasional pendekatan cross sectional.
8. ANALISIS DATA
a. Analisis Univariat
Menggunakan rata-rata hitung dan proporsi/persentase.
b. Analisis Bivariat
Menggunakan uji-t, uji Chi Square, uji korelasi.
c. Analisis Multivariat
Menggunakan analisis regresi linier dan logistik.
Analisis Data Menggunakan SPSS 134
MASTER TABEL
FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN
KEJADIAN BERAT BAYI LAHIR RENDAH (BBLR)
Ariawan, Iwan (2005). Besar dan Metode Sampel pada Penelitian Kesehatan. Depok:
Jurusan Biostatistik dan Kependudukan Fakultas Kesehatan Masyarakat
Universitas Indonesia.
Chandra, Budiman (2012). Pengantar Statistik Kesehatan. Jakarta: Penerbit Buku EGC.
Dahlan, Sopiyudin (2010). Besar Sampel dan Cara Pengambilan Sampel dalam
Penelitian Kedokteran dan Kesehatan. Jakarta: Salemba Medika.
Kleinbaum, David G, Kupper, Lawrence L dan Muller Keith (1988). Applied Regression
Analysis and Other Multivariabel Methods. Boston: PWS-KENT Publishing
Company.
Murti, Bisma (1997). Besar dan Metode Pengambilan Sampel. Yogyakarta: Gajah
Mada University Press.
Sabri, Luknis dan Hastono, Priyo Sutanto (2010). Statistik Kesehatan. Jakarta:
Rajgrafindo Persada.
Supranto, J (2004). Analisis Multivariat, Arti dan Interpretasi. Jakarta: Penerbit Rineka
Cipta.