Modul SPSS Kesmas

ANALISIS DATA PENELITIAN KESEHATAN
(Aplikasi Menggunakan SPSS)
Suharmanto, S.Kep, MKM
Analisis Data Menggunakan SPSS 1

DAFTAR ISI
Halaman
BAB I KONSEP DASAR STATISTIK 3
BAB II DATA DAN PENYAJIAN DATA 5
BAB III UKURAN PEMUSATAN & PENYEBARAN 8
BAB IV UJI INSTRUMEN (VALIDITAS DAN RELIABILITAS) 10
BAB V ANALISIS UNIVARIAT 21
BAB VI ANALISIS BIVARIAT (UJI-T DEPENDEN) 34
BAB VII ANALISIS BIVARIAT (CHI SQUARE & SPEARMAN) 37
BAB VIII ANALISIS BIVARIAT (KORELASI DAN REGRESI ) 48
BAB IX ANALISIS MULTIVARIAT 60
BAB X ANALISIS REGRESI LINIER GANDA 62
BAB XI ANALISIS REGRESI LOGISTIK 98
CONTOH PENELITIAN 133

BAB I
KONSEP DASAR STATISTIK
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

6) Analisis korelasi dan uji kemaknaan
7) Analisis regresi untuk peramalan
2. Jenis Statistik Berdasarkan Ruang Lingkup Penggunaan

Berdasarkan ruang lingkup penggunaan, atau disiplin ilmu yang
menggunakannya, statistik dapat dibagi atas beberapa jenis, seperti:
a. Statistik kesehatan, adalah statistik yang diterapkan atau digunakan dalam
bidang kesehatan, sering juga disebut biostatistik.
b. Statistik gizi, adalah statistik yang diterapkan atau digunakan dalam
bidang gizi.
c. Statistik kebidanan, adalah statistik yang diterapkan atau digunakan dalam
bidang kebidanan.
d. Statistik keperawatan, adalah statistik yang diterapkan atau digunakan
dalam bidang keperawatan.
e. Statistik farmasi, adalah statistik yang diterapkan atau digunakan dalam
bidang farmasi.
f. Statistik pertanian, adalah statistik yang diterapkan atau digunakan dalam
bidang pertanian.
g. Statistik pendidikan, adalah statistik yang diterapkan atau digunakan
dalam bidang pendidikan.
h. Statistik ekonomi, adalah statistik yang diterapkan atau digunakan dalam
bidang ekonomi.
3. Jenis Statistik Berdasarkan Bentuk Parameter

Berdasarkan bentuk parameternya, statistik dapat dikelompokkan menjadi
statistik parametrik dan nonparametrik.
a. Statistik Parametrik
Statistik parametrik adalah bagian dari statistik yang parameter dari
populasinya mengikuti suatu distribusi tertentu, seperti distribusi normal
serta memiliki varians yang homogen. Jika suatu penelitian memungkinkan
melakukan pengamatan terhadap semua unsur dalam populasi maka akan
dihasilkan beberapa ukuran dalam bentuk bilangan atau angka. Ukuran
yang diperoleh dari data kuantitatif berupa nilai mean atau rata-rata
hitung dan standar deviasi atau simpangan baku. Rata-rata hitung yang
dihasilkan dari populasi di beri simbol “µ” dan simpangan baku diberi
simbol “σ”. Hasil ukur dari populasi disebut “parameter”.
b. Statistik Nonparametrik
Statistik nonparametrik adalah bagian dari statistik yang parameter dari
populasinya tidak mengikuti suatu distribusi tertentu atau memiliki
distribusi yang bebas dari persyaratan dan variansnya tidak mesti
homogen. Hasil ukur yang diperoleh dari sampel berupa rata-rata hitung
atau mean dengan simbol “X” dan simpangan baku “s”. Hasil ukur dari
sampel disebut statistik. Untuk data kualitatif ukuran parameternya adalah
“π” dan ukuran statistiknya adalah “ρ”.

BAB II
DATA DAN PENYAJIAN DATA
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

penyajiannya. Hal itu disebabkan oleh tidak banyak deskripsi statistik yang
dapat diberikan sehingga tidak mampu memberikan gambaran yang tepat
mengenai perbandingan antar situasi dan perkembangan keadaan.
2. Penyajian Bentuk Tabel
Penyajian data dalam bentuk tabel adalah penyajian dengan
menggunakan kolom dan baris, sehingga lebih dapat memberikan
gambaran perbandingan-perbandingan atau perbedaan-perbedaan
daripada penyajian dalam bentuk tulisan.
3. Penyajian Bentuk Grafik Atau Gambar
Penyajian bentuk grafik memberikan informasi mengenai gambaran situasi
yang telah terjadi melalui gambaran agregat dari data seperti
perkembangan, perbandingan, peramalan atau proyeksi dan juga memberi
petunjuk sebagai dasar analisis lebih lanjut.
D. VARIABEL DAN SKALA VARIABEL

Dalam mengumpulkan variabel, perlu juga diketahui skala pengukuran
variabel tersebut. Skala pengukuran merupakan salah satu faktor yang
menentukan proses pengolahan dan analisis data selanjutnya, termasuk jenis
uji statistik yang digunakan dalam pengujian hipotesis harus sesuai dengan
skala pengukuran variabel. Ada empat jenis skala pengukuran yaitu nominal,
ordinal, interval dan rasio.
1. SKALA NOMINAL
Skala nominal merupakan skala pengukuran yang paling rendah
tingkatannya di antara ke empat skala pengukuran yang lain. Seperti
namanya, skala ini membedakan satu obyek dengan obyek lainnya
berdasarkan lambang yang diberikan. Oleh karena itu data dalam skala
nominal dapat dikelompokkan kedalam beberapa kategori dan kepada
kategori tersebut dapat diberikan lambang yang sesuai. Skala nominal
memiliki ciri yaitu ada beberapa kategori dan antar kategori tidak dapat
diketahui tingkat perbedaannya. Contoh dari skala nominal adalah variabel
jenis kelamin yang terdiri dari laki-laki dan perempuan, variabel agama
yang terdiri Islam, Kristen, Katolik, Hindu dan Budha.
2. SKALA ORDINAL
Skala pengukuran berikutnya adalah skala pengukuran ordinal. Skala
pengukuran ordinal mempunyai tingkat yang lebih tinggi dari skala
pengukuran nominal. Dalam skala ini, terdapat sifat skala nominal, yaitu
membedakan data dalam berbagai kelompok menurut lambang, ditambah
dengan sifat lain yaitu, bahwa satu kelompok yang terbentuk mempunyai
pengertian lebih (lebih tinggi, lebih besar) dari kelompok lainnya. Oleh
karena itu, dengan skala ordinal data atau obyek memungkinkan untuk
diurutkan atau dirangking. Contohnya adalah sistem kepangkatan dalam
dunia militer adalah satu contoh dari data berskala ordinal. Pangkat dapat
diurutkan atau dirangking dari prajurit sampai sersan berdasarkan jasa,
dan lamanya pengabdian.

3. SKALA INTERVAL
Skala pengukuran interval adalah skala yang mempunyai semua sifat yang
dipunyai oleh skala pengukuran nominal, dan ordinal ditambah dengan
satu sifat tambahan. Dalam skala interval, selain data dapat dibedakan
antara yang satu dengan yang lainnya dan dapat dirangking, perbedaan
(jarak/interval) antara data yang satu dengan data yang lainnya dapat
diukur. Contohnya adalah data tentang suhu empat buah benda A, B, C ,
dan D yaitu masing-masing 20, 30, 60, dan 70 derajat Celcius, maka data
tersebut adalah data dengan skala pengukuran interval karena selain dapat
dirangking, peneliti juga akan tahu secara pasti perbedaan antara satu data
dengan data lainnya. Perbedaan data suhu benda pertama dengan benda
kedua dapat dihitung sebesar 10 derajat. Namun dalam skala interval,
tidak mungkin kita melakukan perbandingan antara satu data dengan data
yang lainnya. Kita tidak dapat mengatakan bahwa suhu 60 derajat Celcius
dari benda C dan 30 derajat Celcius untuk suhu benda B berarti bahwa
benda C 2x lebih panas dari benda B. Hal ini tidak mungkin karena skala
interval tidak mempunyai titik nol yang mutlak. Titik nol yang tidak mutlak
berarti benda dengan suhu nol derajat Celcius bukan berarti bahwa benda
tersebut tidak mempunyai panas.
4. SKALA RASIO
Skala rasio merupakan skala yang paling tinggi peringkatnya. Semua sifat
yang ada dalam skala terdahulu dipunyai oleh skala rasio. Sebagai
tambahan, dalam skala ini, rasio (perbandingan) antar satu data dengan
data yang lainnya mempunyai makna. Contohnya adalah data mengenai
berat adalah data yang berskala rasio. Dengan skala ini kita dapat
mengatakan bahwa data berat badan 80 kg adalah 10 kg lebih berat dari
yang 70 kg, tetapi juga dapat mengatakan bahwa data 80 kg adalah 2x
lebih berat dari data 40 kg. Berbeda dengan interval, skala rasio
mempunyai titik nol yang mutlak atau nol absolut atau tidak ada nilai
minus.
KRITERIA SKALA DATA

Kriteria Nominal Ordinal Interval Rasio
Ada beberapa kategori Ya Ya Ya Ya
Antar kategori dapat dibedakan Tidak Ya Ya Ya
Antar kategori dapat diketahui Tidak Tidak Ya Ya
besar perbedaannya
Antar kategori dapat diketahui Tidak Tidak Tidak Ya
besar kelipatannya
Memiliki titik nol absolut Tidak Tidak Tidak Ya

BAB III
UKURAN PEMUSATAN DAN PENYEBARAN
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.

B. UKURAN PENYEBARAN
Ukuran penyebaran atau dispersi adalah suatu nilai yang menunjukkan
penyebaran rata-rata nilai observasi disekitar nilai rata-rata
(mean/median/modus). Ukuran penyebaran ada bermacam-macam, namun yang
paling umum digunakan adalah standar deviasi atau simpangan baku. Dalam
penyajian data hasil suatu penelitian tidak cukup jika kita hanya menyajikan nilai
rata-rata saja tanpa memperhatikan nilai penyebaran, terlebih jika kita hendak
membandingkan suatu data dengan data lainnya. Ukuran-ukuran penyebaran
adalah range, rata-rata deviasi (mean deviasi), standar deviasi, varians dan
koefisen varians.
1. Range
Range adalah nilai yang menunjukkan perbedaan nilai tertinggi dengan nilai
terendah. Range merupakan ukuran penyebaran yang sangat kasar, karena
hanya dapat mengemukakan nilai perbedaan dua nilai pengamatan saja tanpa
mengetahui nilai observasi yang lain sehingga menimbulkan kesalahan.
2. Mean Deviasi
Deviasi adalah perbedaan nilai observasi dengan nilai rata-rata. Rata-rata
deviasi atau mean deviasi adalah rata-rata dari seluruh perbedaan observasi
dibagi banyaknya jumlah observasi.
3. Standar Deviasi
Standar deviasi atau simpangan baku adalah nilai penyebaran rata-rata
disekitar rata-rata hitung.
4. Varian
Varian adalah rata-rata perbedaan antara mean dengan nilai masing-masing
observasi.
5. Koefisien Variasi
Koefisien variasi merupakan standar deviasi dalam bentuk relatif (%) yang
digunakan untuk membandingkan penyebaran dua kelompok data yang
memiliki satuan unit berbeda atau satuan unit sama namun gradasinya
berbeda.
6. Penggunaan Nilai Penyebaran
Ukuran penyebaran digunakan untuk mengetahui penyebaran suatu data.
Apabila hasil perhitungan menunjukkan bahwa ukuran penyebaran kecil, maka
dapat diartikan bahwa penyebaran datanya cukup merata atau homogen. Jika
nilai penyebaran besar maka hal tersebut menunjukkan bahwa penyebaran
data tidak merata atau heterogen.
Ukuran penyebaran lazim digunakan untuk membandingkan keadaan dua
atau lebih kelompok data. Jika kita hanya menggunakan nilai rata-rata saja
untuk membandingkan keadaan suatu data dengan data lainnya, seringkali
tidak tepat jika tidak dilengkapi dengan nilai penyebaran.
7. Skewness Dan Kurtosis
Kemencengan atau kecondongan (skewness) adalah tingkat ketidak simetrisan
atau kejauhan simetri dari sebuah distribusi. Keruncingan atau kurtosis adalah
tingkat kepuncakan dari sebuah distribusi yang biasanya diambil secara relatif
terhadap suatu distribusi normal.

BAB IV
UJI INSTRUMEN
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.

2. Cara Mengukur Reliabilitas
Pertanyaan dikatakan reliabel jika jawaban seseorang terhadap pertanyaan
adalah konsisten atau stabil dari waktu ke waktu. Jadi jika misalnya responden
menjawab “tidak setuju” terhadap perilaku merokok dapat mempertinggi
kepercayaan diri, maka jika beberapa waktu kemudian ia ditanya lagi untuk
hal yang sama, maka seharusnya tetap konsisten pada jawaban semula yaitu
tidak setuju.
Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara :
a. Repeated Measure atau ukur ulang. Pertanyaan ditanyakan pada reponden
berulang pada waktu yang berbeda (misal sebulan kemudian), dan
kemudian dilihat apakah ia tetap konsistendengan jawabannya.
b. One Shot atau diukur sekali saja. Disini pengukurannya hanya sekali dan
kemudian hasilnya dibandingkan dengan pertanyaan lain. Pada umumnya
pengukuran dilakukan dengan One Shot dengan beberapa pertanyaan
Pengujian reliabilitas dimulai dengan menguji validitas terlebih dahulu. Jadi
jika pertanyaan tidak valid, maka pertanyaan tersebut dibuang.
Pertanyaan-pertanyaan yang sudah valid kemudian baru secara bersama-
sama diukur reliabilitasnya.
APLIKASI SPSS UJI INSTRUMEN

Uji coba dilakukan pada 15 responden dengan bentuk pertanyaan sebagai berikut:
Keterangan: SS:sangat sering, S:sering, KK:kadang-kadang, J:jarang, TP:tidak
pernah.
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.

Hasil pretest pada 15 responden, sebagai berikut:
Penyelesaian:
Langkahnya:
1. Masukkan data tersebut ke SPSS seperti tampilan diatas.
2. Klik ‘Analyze’
3. Pilih ‘Scale’
4. Pilih ‘Reliability Analysis’

5. Masukkan semua variabel ke dalam kotak ‘Items’ (ingat variabel yang
masuk hanya variabel yang akan diuji saja, yaitu P1, P2, P3, P4 dan P5)
bentuknya sebagai berikut:
6. Pada ‘Model’, biarkan pilihan pada ‘Alpha’

7. Klik Option ‘Statistics’

8. Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’, Scale if Item deleted.
9. Klik ‘Continue’
10. Klik ‘OK’., terlihat hasil outputnya sebagai berikut :
Case Processing Summary

N %
Cases Valid 15 100.0
a
Excluded 0 .0
Total 15 100.0
a. Listwise deletion based on all variabels in
the procedure.
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

Item-Total Statistics
Corrected Cronbach's
Scale Mean if Scale Variance Item-Total Alpha if Item
Item Deleted if Item Deleted Correlation Deleted
p1 11.80 6.600 .825 .516
p2 12.13 8.981 .186 .803
p3 11.87 7.124 .651 .592
p4 12.20 10.600 .070 .799
p5 11.73 7.067 .867 .525
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.

Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang
tidak valid. Lakukan prosedur/langkah seperti di atas yaitu:
1. Klik ‘Analyze’
2. Pilih ‘Scale’
3. Pilih ‘Reliability Analysis’
4. Masukkan ketiga variabel ke dalam kotak ‘Items’ (variabel P2 dan P4 tidak ikut
dianalisis)
5. Klik “OK” Kemudian muncul tampilan Output sebagai berikut:

N %
Cases Valid 15 100.0
Excludeda 0 .0
Total 15 100.0
a. Listwise deletion based on all variabels in
the procedure.
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.

b. Uji Reliabilitas
Setelah semua pertanyaan valid semua, amnalisis dilanjutkan dengan uji
reliabilitas. Untuk mengetahui reliabilitas caranya adalah; membandingkan nilai r
hasil dengan r tabel.dalam uji reliabilitas sebagai nilai r hasil adalah nilai “Alpha”
(terletak di akhir output). Ketentuannya: bila r Alpha > r tabel, maka pertanyaan
tersebut reliable. Dari hasil uji di atas ternyata, nilai r Alpha (0,955) lebih besar
dibandingkan dengan nilai r tabel, maka ketiga pertanyaan di atas dinyatakan
reliabel.
c. Uji Interrater Reliability

Dalam melakukan penelitian dengan metode observasi seringkali antara peneliti
dengan numerator (pengumpul data) terjadi perbedaan persepsi terhadap
kejadian yang diamati. Agar data yang dihasilkannya valid, maka harus ada
penyamaan persepsi antara peneliti dengan petugas pengumpul data
(numerator). Uji interrater Reliability merupakan jenis uji yang digunakan untuk
menyamakan persepsi antara peneliti dengan petugas pengumpul data. Alat yang
digunakan untuk uji Interrater adalah uji statistik Kappa. Prinsip ujinya: bila hasil
uji Kappa signifikan/bermakna maka persepsi antara peneliti dengan numerator
sama, sebaliknya bila hasil uji kappa tidak signifikan/bermakna, maka persepsi
antara peneliti dengan numerator terjadi perbedaan.
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:
Ujilah apakah ada kesepakatan antara peneliti dengan numerator:

Langkah:
1. Data di entry di SPSS
2. Klik analysis, sorot Descriptif, sorot dan klik Crosstab
3. Masukkan variabel ‘peneliti’ ke bagian Row dan masukkan variabel ‘numerator’ ke

bagian colom.
4. Klik tombol Statistic, klik Kappa

5. Klik Continue
6. Klik OK, dan hasilnya

Cases
Valid Missing Total
N Percent N Percent N Percent
Peneliti * Numerator 10 100.0% 0 .0% 10 100.0%
Peneliti * Numerator Crosstabulation

Count
Numerator
1 2 Total
Peneliti 1 3 2 5
2 2 3 5
Total 5 5 10
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.

BAB V
ANALISIS UNIVARIAT
A. PENGANTAR ANALISIS DATA

Analisis data suatu penelitian akan dilakukan tergantung dari 1) jenis penelitian,
2) jenis sampel, 3) jenis data/variabel dan 4) asumsi kenormalan distribusi data.
Jika suatu penelitian ingin mengetahui bagaimana pada umumnya (secara rata-
rata) pendapat masyarakat akan suatu hal tertentu, maka pengumpulan data
dilakukan dengan survey dan analisis data menggunakan pendekatan kuantitatif.
Jika untuk mendapatkan pendapat atau gambaran yang mendalam tentang suatu
fenomena, maka data dapat dikumpulkan dengan fokus grup diskusi atau
observasi dan analisisnya menggunakan pendekatan kualitatif. Jenis sampel
mempengaruhi analisis data, apakah kedua sampel independen atau dependen.
Data katagorik berbeda cara analisisnya dengan data jenis numerik. Beberapa
pengukuran/uji statistik hanya cocok untuk jenis data tertentu. Sebagai contoh,
nilai proporsi/persentase (pada analisis univariat) biasanya cocok untuk
menjelaskan data berjenis katagorik, sedangkan untuk data jenis numerik
biasanya dapat menggunakan nilai rata-rata untuk menjelaskan karakteristiknya.
Untuk analisis hubungan dua variabel, uji chi square hanya dapat dipakai untuk
mengetahui hubungan data katagorik dengan data katagorik. Sebaliknya untuk
mengetahui hubungan numerik dengan numerik digunakan uji korelasi/regresi.
Jenis analisis yang akan dilakukan juga tergantung dari bentuk distribusi datanya.
Bila distribusi datanya tidak normal, maka sebaiknya digunakan prosedur uji
statitik nonparametrik. Sedangkan bila asumsi kenormalan dapat dipenuhi maka
dapat digunakan uji statistik parametrik.
B. TUJUAN ANALISIS UNIVARIAT

Tujuan dari analisis ini adalah untuk menjelaskan/mendeskriptifkan karakteristik
masing-masing variabel yang diteliti. Dalam analisis data kuantitatif kita
dihadapkan pada kumpulan data yang besar/banyak yang belum jelas maknanya.
Fungsi analisis sebetulnya adalah menyederhanakan atau meringkas kumpulan
data hasil pengukuran sedemikian rupa sehingga kumpulan data tersebut
berubah menjadi informasi yang berguna. Peringkasan tersebut berupa ukuran-
ukuran statistik, tabel dan juga grafik. Secara teknis pada dasarnya analisis
merupakan kegiatan meringkas kumpulan data menjadi ukuran tengah dan
ukuran variasi. Selanjutnya membandingkan gambaran-gambaran tersebut antara
satu kelompok subyek dan kelompok subyek lain, sesuai dengan tujuan yang
ingin dicapai dalam analisis. Berbicara peringkasan data (yang berwujud ukuran
tengah dan ukuran variasi) jenis data (apakah numerik atau katagorik) akan
sangat menentukan bentuk peringkasan datanya. Berikut akan diuraikan
bentuk/cara peringkasan data untuk data numerik dan data katagorik.

C. PENYAJIAN DATA NUMERIK
Nilai-nilai yang biasa digunakan untuk mewakili data adalah mean, median dan
modus. Nilai-nilai tersebut juga dikenal dengan nilai tengah (central tendency).
Selain itu juga dicari ukuran penyebaran seperti range, standar deviasi, mean
deviasi, standar error dan lain-lain.
D. PENYAJIAN DATA KATAGORIK

Berbeda dengan data numerik, peringkasan, (baik ukuran tengah maupun ukuran
variasi) tidak beragam jenisnya. Pada data katagorik peringkasan data hanya
menggunakan distribusi frekuensi dengan ukuran persentase atau proporsi. Bila
data berjenis katagorik, tentunya informasi/peringkasan yang penting
disampaikan tidak mungkin/tidak lazim menggunakan ukuran mean atau median.
melainkan informasi jumlah dan persentase yang disajikan. Untuk ukuran variasi,
pada data katagorik variasi maksimal apabila jumlah antar katagori sama.
APLIKASI SPSS ANALISIS UNIVARIAT

Tujuan analisis ini adalah untuk mendeskripsikan karakteristik masing-masing
variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data numerik
digunakan nialai mean (rata-rata), median, standard deviasi dan lain-lain. Sedangkan
untuk data katagorik tentunya hanya dapat menjelaskan angka/nilai jumlah dan
persentase masing-masing kelompok. Berikut akan dipelajari cara mengeluarkan
analisis deskriptif di SPSS, dimulai untuk variabel katagorik (sebagai latihan
digunakan variabel ‘pendidikan’) dan kemudian dilanjutkan variabel numerik (variabel
umur).
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:

2. Sorot variabel ‘didik’. Klik tanda panah dan masukkan ke kotak “Variabel (s)”
3. Klik ‘OK’, hasil dapat dilihat di jendela output, seperti sebagai berikut:
Statistics
Tingkat pendidikan ibu
N Valid 180
Missing 0
Tingkat pendidikan ibu

Cumulative
Frequency Percent Valid Percent Percent
Valid SD 47 26.1 26.1 26.1
SMP 84 46.7 46.7 72.8
SMA 49 27.2 27.2 100.0
Total 180 100.0 100.0
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.

Penyajian dan Interpretasi di Laporan Penelitian
Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan
penelitian. Adapun penyajian dan interpretasinya sebagai berikut:
Tabel.1
Distribusi Responden Menurut Tingkat Pendidikan
Pendidikan Jumlah Persentase

SD 47 26,1
SMP 84 46,7
SMA 49 27,2
Jumlah 180 100,0
Distribusi responden menurut tingkat pendidikan SD sebanyak 47 orang (26,1%),
SMP sebanyak 84 orang (46,7%) dan SMA sebanyak 49 orang (27,2%). Jadi,
responden paling banyak adalah dengan tingkat pendidikan SMP sebanyak 46,7%.
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:

5. Sorot variabel yang akan dianalisis, sorot umur, dan klik tanda panahsehingga
umur masuk ke kotak variabel (s).
6. Klik tombol option ‘Statistics…’, pilih ukuran yang anda minta misalnya mean,
median, standard seviasi, minimum, maximum, SE.
8. Klik tombol option ‘Charts’ lalu muncul menu baru dan klik ‘Histogram’, lalu klik
‘With Normal Curve’

10. Klik ‘OK’, dan pada layar terlihat distribusi frekuensi disertai ukuran statistik
yang diminta dan dibawahnya tampak grafik histogram beserta curve normalnya.
Hasilnya sebagai berikut:
Frequencies
Statistics
Umur ibu (th)
N Valid 180
Missing 0
Mean 23.37
Std. Error of Mean .398
Median 23.00
Mode 20
Std. Deviation 5.343
Variance 28.546
Range 31
Minimum 14
Maximum 45
Sum 4206
Umur ibu (th)
Cumulative
Frequency Percent Valid Percent Percent
Valid 14 3 1.7 1.7 1.7
15 3 1.7 1.7 3.3
16 6 3.3 3.3 6.7
17 10 5.6 5.6 12.2
18 9 5.0 5.0 17.2
19 16 8.9 8.9 26.1

20 18 10.0 10.0 36.1
21 12 6.7 6.7 42.8
22 12 6.7 6.7 49.4
23 11 6.1 6.1 55.6
24 13 7.2 7.2 62.8
25 13 7.2 7.2 70.0
26 8 4.4 4.4 74.4
27 3 1.7 1.7 76.1
28 9 5.0 5.0 81.1
29 7 3.9 3.9 85.0
30 7 3.9 3.9 88.9
31 5 2.8 2.8 91.7
32 6 3.3 3.3 95.0
33 3 1.7 1.7 96.7
34 1 .6 .6 97.2
35 2 1.1 1.1 98.3
36 2 1.1 1.1 99.4
45 1 .6 .6 100.0
Total 180 100.0 100.0
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
memperoleh estimasi interval lakukan analisis eksplorasi data dengan perintah
‘Explore’.
Adapun caranya sebagai berikut:

1.Dari menu utama SPSS, pilih menu ‘Analyze’, kemudian pilih submenu ‘descriptive
Statistics’, lalu pilih ‘Explore’
2. Isikan kotak ‘Dependent List’ dengan variabel ‘umur’, kotak ‘Factor List’ dan Label
Cases By’ biarkan kosong, sehingga tampilannya sebagai berikut:

3. Klik tombol ‘Plots’, dan pilih ‘Normality Plots With Test’
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

Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Umur ibu (th) .099 180 .000 .960 180 .000
a. Lilliefors Significance Correction
Umur ibu (th) Stem-and-Leaf Plot

Frequency Stem & Leaf
.00 1.
6.00 1 . 444555
16.00 1 . 6666667777777777
25.00 1 . 8888888889999999999999999
30.00 2 . 000000000000000000111111111111
23.00 2 . 22222222222233333333333
26.00 2 . 44444444444445555555555555
11.00 2 . 66666666777
16.00 2 . 8888888889999999
12.00 3 . 000000011111
9.00 3 . 222222333
3.00 3 . 455
2.00 3 . 66
1.00 Extremes (>=45)
Stem width: 10
Each leaf: 1 case(s)

Dari hasil analisis ‘Explore’ terlihat juga nilai mean, median dan mode. Namun yang
paling penting dari tampilan explore munculnya angka estimasi interval. Dari hasil
tersebut kita dapat melakukan estimasi interval dari umur ibu. Kita dapat
menghitung 95% confidence interval umur yaitu 22,58 sampai dengan 24,15. Jadi kita
95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 22,58 sampai
24,15 tahun.
C. Uji Kenormalan Data

Untuk mengetahui suatu data berdistribusi normal, ada 3 cara untuk
mengetahuinya yaitu:
1. Dilihat dari grafik histogram dan kurve normal, bila bentuknya menyerupai bel
shape, berarti distribusi normal.
2. Menggunakan nilai Skewness dan standar errornya, bila nilai Skewness dibagi
standar errornya menghasilkan angka ≤ 2, maka distribusinya normal.
3. Uji kolmogorov smirnov, bila hasil uji signifkan (p value < 0,05) maka distribusi
normal. Namun uji kolmogorov sangat sensitif dengan jumlah sampel,
maksudnya : untuk jumlah sampel yang besar uji kolmogorov cenderung
menghasilkan uji yang signifikan (yang artinya bentuk distribusinya tidak
normal). Atas dasar kelemahan ini dianjurkan untuk mengetahui kenormalan
data lebih baik menggunakan angka skewness atau melihat grafik histogram
dan kurve normal.

Untuk variabel umur diatas, dilihat dari histogram dan kurve normal terlihat
bentuk yang tidak normal, selain itu hasil dari perbandingan skwness dan standar
error didapatkan: 0,704/0,181=3,88, hasilnya diatas 2, berarti distribusi tidak
normal. Dari hasil tersebut diatas dengan demikian variabel umur disimpulkan
berdistribusi tidak normal.
Penyajian dan Interpretasi di Laporan Penelitian

Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan
penelitian/laporan tesis. Adapun penyajian dan interpretasinya adalah sebagai
berikut:
Variabel Mean Standar Deviasi Minimal - CI 95%

Maksimal
Umur ibu 23,37 5,343 14-45 22,58-24,15
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.

BAB VI
ANALISIS BIVARIAT
HUBUNGAN KATAGORIK DENGAN NUMERIK (UJI-T DEPENDEN)
Uji beda dua mean dependen (paired sample)

Tujuannya untuk menguji perbedaan mean anatara dua kelompok data yang
dependen. Contoh kasusnya adalah apakah ada perbedaan tingkat pengetahuan
antara sebelum dan sesudah dilakukan pelatihan, apakah ada perbedaan berat
badan antara sebelum dan sesudah mengikuti program diet. Syarat yang harus
dipenuhi adalah:
a. Distribusi data normal
b. Kedua kelompok data dependen/paired
c. Jenis variabelnya numerik dan katagorik (dua kelompok)
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”

3. Klik ‘bbibu_1’
4. Klik ‘bbibu_2’
5. Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan.
6. Klik ‘OK’ hasilnya tampak sebagai berikut:
Paired Samples Statistics

Mean N Std. Deviation Std. Error Mean
Pair 1 Berat badan ibu (sebelum
58.98 180 13.818 1.030
hamil)
Berat badan ibu (sesudah
60.69 180 13.785 1.027
melahirkan)
Paired Samples Correlations

N Correlation Sig.
Pair 1 Berat badan ibu (sebelum
hamil) & Berat badan ibu 180 .992 .000
(sesudah melahirkan)

Paired Samples Test
Paired Differences
95% Confidence Interval
Std. Std. Error of the Difference Sig. (2-
Mean Deviation Mean Lower Upper t Df tailed)
Pair 1 Berat badan ibu
(sebelum hamil) -
Berat badan ibu -1.711 1.792 .134 -1.975 -1.448 -12.809 179 .000
(sesudah
melahirkan)
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.
Penyajian Dan Interpretasi di Laporan Penelitian

Dari hasil yang didapat di atas kemudian angka-angka disusun dalam tabel yang
disajikan dalam laporan penelitian. Bentuk penyajian dan interpretasinya sebagai
berikut:
Berat badan Mean SD SE p-value N
Sebelum 0,000
58,98 13,818 1,030 180
melahirkan
Sesudah
60,69 13,785 1,027 180
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.

BAB VII
ANALISIS BIVARIAT
HUBUNGAN KATAGORIK DENGAN KATAGORIK
(CHI SQUARE DAN SPEARMAN)
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).
TUJUAN UJI KAI KUADRAT

Tujuan dari digunakannya uji kai kuadrat adalah untuk untuk menguji
perbedaan proporsi/persentase antara beberapa kelompok data. Dilihat dari segi
datanya uji kai kuadrat dapat digunakan untuk mengetahui hubungan antara
variabel katagorik dengan variabel katagorik.
PRINSIP DASAR UJI KAI KUADRAT

Proses pengujian kai kuadrat adalah membandingkan frekuensi yang terjadi
(observasi) dengan frekuensi harapan (ekspektasi). Bila nilai frekuensi observasi
dengan nilai frekuensi harapan sama, maka dikatakan tidak ada perbedaan yang
bermakna (signifikan). Sebaliknya, bila nilai frekuensi observasi
dan nilai frekuensi harapan berbeda, maka dikatakan ada perbedaan yang bermakna
(signifikan).
KETERBATASAN KAI KUADRAT

Uji kai kuadrat menuntut frekuensi harapan/ekspektasi (E) dalam masing-masing sel
tidak boleh terlampau kecil. Jika frekuensi sangat kecil, penggunaan uji ini mungkin
kurang tepat. Oleh karena itu dalam penggunaan kai kuadrat harus memperhatikan
keterbatasan-keterbatasan uji ini. Adapun keterbatasan uji kai kuadrat adalah
sebagai berikut:
a. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 1.
b. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 5, lebih
dari 20% dari jumlah sel.
Jika keterbatasan tersebut terjadi pada saat uji kai kuadrat, peneliti harus
menggabungkan katagori-katagori yang berdekatan dalam rangka memperbesar
frekuensi harapan dari sel-sel tersebut (penggabungan ini dapat dilakukan untuk
analisis tabel silang lebih dari 2 x 2, misalnya 3 x 2, 3 x 4 dan sebagainya).
Penggabungan ini tentunya diharapkan tidak sampai membuat datanya kehilangan
makna. Andai saja keterbatasan tersebut terjadi pada tabel 2 x 2 (ini berarti tidak bisa
menggabung katagori-katagorinya lagi), maka dianjurkan menggunakan uji Fisher’s
Exact.

ODDS RATIO (OR) DAN RISIKO RELATIF (RR)
Untuk mengetahui derajat hubungan, dikenal ukuran Risiko Relatif (RR) dan
Odds Rasio (OR). Risiko relatif membandingkan risiko pada kelompok ter-ekspose
dengan kelompok tidak terekspose. Sedangkan Odds Rasio membandingkan Odds
pada kelompok ter-ekspose dengan Odds kelompok tidak ter-eksp[ose. Ukuuran RR
pada umumnya digunakan pada desain Kohort, sedangkan ukuran OR biasanya
digunakan pada desain kasus control atau ptong lintang (Cross Sectional).
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.
KASUS UJI KAI KUADRAT

Suatu penelitian ingin mengetahui hubungan pekerjaan dengan BBLR. Variabel
pekerjaan berisi dua nilai yaitu tidak bekerja dan bekerja, dan variabel BBLR berisi
dua nilai yaitu ya dan tidak. Untuk mengerjakan soal ini gunakan data “BAYI. SAV”.
Adapun prosedur di SPSS sebagai berikut:
1. Pastikan anda berada pada data editor BAYI.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 variable
status BBLR 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 sebagai berikut:

Cases
Valid Missing Total
Status Pekerjaan ibu *
180 100.0% 0 .0% 180 100.0%
Status BBLR
Status Pekerjaan ibu * Status BBLR Crosstabulation

Status BBLR
Tidak Ya Total
Status Pekerjaan ibu Tidak bekerja Count 75 24 99
% within Status Pekerjaan
75.8% 24.2% 100.0%
ibu
Bekerja Count 49 32 81
60.5% 39.5% 100.0%
ibu
Total Count 124 56 180
68.9% 31.1% 100.0%
ibu

Chi-Square Tests
Asymp. Sig. (2- Exact Sig. (2- Exact Sig. (1-
Value df sided) sided) sided)
Pearson Chi-Square 4.843a 1 .028
Continuity Correctionb 4.157 1 .041
Likelihood Ratio 4.836 1 .028
Fisher's Exact Test .035 .021
Linear-by-Linear
4.816 1 .028
Association
N of Valid Casesb 180
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 25.20.
b. Computed only for a 2x2 table
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.
Aturan yang berlaku pada Chi Square adalah sebagai berikut:

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 variable 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. 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 =
0,041. Berarti kesimpulannya ada perbedaan kejadian BBLR antara ibu yang bekerja
dengan ibu yang tidak bekerja. Dengan kata lain dapat disimpulkan bahwa ada
hubungan status pekerjaan dengan kejadian BBLR.
Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya hubungan
dua variabel, sehingga uji ini tidak dapat untuk mengetahui derajat/kekuatan
hubungan dua variabel. Dalam bidang kesehatan terutama kesehatan masyarakat
digunakan nilai OR atau RR. Nilai OR digunakan untuk jenis penelitian Cross
Sectional dan Case Control, sedangkan nilai RR digunakan bila jenis penelitiannya
Kohort.
Pada hasil di atas nilai OR terdapat pada baris Odds ratio yaitu 2,041 (95% CI:
1,076-3,871). Sedangkan nilai RR terlihat dari baris For Cohort yaitu besarnya 1,252
(95% CI: 1,017-1,542). Pada data ini berasal dari penelitian Cross Sectional maka kita
dapat menginterpretasikan nilai OR=2,041 sebagai berikut: ibu yang bekerja
mempunyai peluang 2,041 kali untuk terjadi BBLR dibandingkan ibu yang tidak
bekerja. Pada perintah Crosstab nilai OR akan keluar bila tabel silang 2x2, bila tabel
silang lebih dari 2x2, misalnya 3x2, 4x2 dan sebagainya, maka nilai OR dapat
diperoleh dengan analisis regresi logistik sederhana dengan cara membuat “Dummy
variable”.
PENYAJIAN DAN INTERPRETASI DI LAPORAN PENELITIAN

Status Kerja BBLR Total CI 95% p-value
Tidak Ya
Tidak bekerja 75 24 99 2,041 0,041
(75,8%) (24,2%) (100,0%) (1,076-3,871)
Kerja 49 32 81
(60,5%) (39,5%) (100,0%)
Total 124 56 180
(68,9%) (31,1%) (100,0%)
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.

UJI SPEARMAN RHO
Korelasi Speraman (rho) Digunakan untuk menguji hipotesis hubungan antara dua
variabel dan Untuk melihat kuat lemahnya hubungan dan arah hubungan antara dua
variabel. Misalnya penelitian tentang hubungan pengetahuan dengan perilaku,
dimana:
Kode pengetahuan:
1.Kurang
2.Cukup
3.Baik
Kode perilaku:
1.Kurang
2.Cukup
3.Baik
Pengetahuan Kode Perilaku Kode

Kurang 1 Kurang 1
Cukup 2 Cukup 2
Kurang 1 Kurang 1
Cukup 2 Kurang 1
Baik 3 Cukup 2
Kurang 1 Baik 3
Cukup 2 Baik 3
Kurang 1 Cukup 2
Baik 3 Kurang 1
Baik 3 Kurang 1
Langkahnya:
1.Analyze – Correlate – Bivariate

2.Masukan “Pengetahuan” dan “Perilaku” ke kolom “variables”.
3.Klik “Spearman” dan klik “OK”.
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.

Untuk mengetahui tabel silang, langkahnya sebagai berikut:
1.Analyze – descriptive – crosstab
2.Hasilnya
3.Masukkan ‘pengetahuan” ke row(s) dan masukkan perilaku ke “column(S)”.

Klik “cells”

4.Klik “row”
5.Klik “continue” dan “OK”

6.Hasilnya

Cases
Valid Missing Total
Pengetahuan * Perilaku 10 100.0% 0 .0% 10 100.0%

Pengetahuan * Perilaku Crosstabulation
Perilaku
Kurang Cukup Baik Total
Pengetahuan Kurang Count 2 1 1 4
% within Pengetahuan 50.0% 25.0% 25.0% 100.0%
Cukup Count 1 1 1 3
Baik Count 2 1 0 3
% within Pengetahuan 66.7% 33.3% .0% 100.0%
Total Count 5 3 2 10
PENYAJIAN DAN INTERPRETASI DI LAPORAN PENELITIAN

Pengetahuan Perilaku Total r p-value
Kurang Cukup Baik
Kurang 2 (50,0%) 1 (25,0%) 1 (25,0%) 4 (100,0%) -0,171 0,637
Cukup 1 (33,3%) 1 (33,3%) 1 (33,3%) 3 (100,0%)
Baik 2 (66,7%) 1 (33,3%) 0 (0,0%) 3 (100,0%)
Total 5 (50,0%) 3 (30,0%) 2 (20,0%) 10 (100,0%)
Hasil analisis hubungan antara pengetahuan dengan perilaku diperoleh bahwa

sebanyak 2 orang (50,0%) responden dengan pengetahuan kurang dan perilakunya
kurang. Sebanyak 1 orang (33,3%) responden dengan pengetahuan cukup dan
perilakunya kurang. Sebanyak 2 orang (66,7%) responden dengan pengetahuan
kurang dan perilakunya baik. Hasil uji statistik diperoleh nilai p=0,637 maka dapat
disimpulkan tidak ada hubungan pengetahuan dengan perilaku. Dari hasil analisis
diperoleh pula nilai r=-0,171, artinya tidak terdapat hubungan antara pengetahuan
dan perilaku.

BAB VIII
ANALISIS BIVARIAT (UJI KORELASI DAN REGRESI LINIER SEDERHANA)
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
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.
2. Regresi Linier Sederhana

Seperti sudah diuraikan di depan bahwa analisis hubungan dua variable dapat
digunakan untuk mengetahui bentuk hubungan dua variabel, yaitu dengan analisis
regresi. Analisis regresi merupakan suatu model matematis yang dapat digunakan
untuk mengetahui bentuk hubungan antar dua atau lebih variabel. Tujuan analisis
regresi adalah untuk membuat perkiraan (prediksi) nilai suatu variable (variabel
dependen) melalui variabel yang lain (variabel independen). Sebagai contoh kita
ingin menghubungkan dua variabel numerik berat badan dan tekanan darah. Dalam
kasus ini berarti berat badan sebagai variable independen dan tekanan darah
sebagai variabel dependen, sehingga dengan regresi kita dapat memperkirakan
besarnya nilai tekanan darah bila diketahui data berat badan.
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
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.
Persamaan di atas merupakan model deterministik yang secara sempurna/tepat

dapat digunakan hanya untuk peristiwa alam, misalnya hukum gravitasi bumi, yang
ditemukan oleh Issac Newton adalah contoh model deterministik. Variabel
kecepatan benda jatuh (variabel dependen) pada keadaan yang ideal adalah fungsi
matematik sempurna (bebas dari kesalahan) dari variabel independen berat benda
dan gaya gravitasi.
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

KESALAHAN STANDAR ESTIMASI (STANDARD ERROR OF ESTIMATE/SE)
Besarnya kesalahan standar estimasi (Se) menunjukkan ketepatan persamaan
estimasi untuk menjelaskan nilai variabel dependen yang sesungguhnya. Semakin
kecil nilai Se, makin tinggi ketepatan persamaan estimasi yang dihasilkan untuk
menjelaskan nilai variabel dependen yang sesungguhnya. Dan sebaliknya, semakin
besar nilai Se, makin rendah ketepatan persamaan estimasi yang dihasilkan untuk
menjelaskan nilai variabel dependen yang sesungguhnya.
KOEFISIEN DETERMINASI (R2)

Ukuran yang penting dan sering digunakan dalam analisis regresi adalah koefisien
determinasi atau disimbolkan R2 (R Square). Koefisien determinasi dapat dihitung
dengan mengkuadratkan nilai r, atau dengan formula R2 = r2. Koeifisien determinasi
berguna untuk mengetahui seberapa besar variasi variable dependen (Y) dapat
dijelaskan oleh variabel independen (X). Atau dengan kata lain R2 menunjukkan
seberapa jauh variabel independen dapat memprediksi variabel dependen.Semakin
besar nilai R2 semakin baik/semakin tepat variabel independen memprediksi variabel
dependen. Besarnya nilai R2 antara 0 s.d. 1 atau antara 0% s.d. 100%.
KASUS KORELASI DAN REGRESI

Sebagai contoh kita akan melakukan analisis korelasi dan regresi menggunakan
data ‘BAYI.SAV’ dengan mengambil variabel yang bersifat numerik yaitu berat
badan ibu dengan berat badan bayi.
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.

3. Sorot variabel ‘bbibu_1 dan bbayi’, lalu masukkan ke kotak sebelah kanan
‘variables’.
4. Klik ‘OK” dan terlihat hasilnya sebagai berikut:

Correlations
Berat badan
ibu (sebelum Berat bayi lahir
hamil) (gr)
Berat badan ibu (sebelum Pearson Correlation 1 .203**
hamil)
Sig. (2-tailed) .006
N 180 180
Berat bayi lahir (gr) Pearson Correlation .203** 1
Sig. (2-tailed) .006
N 180 180
**. Correlation is significant at the 0.01 level (2-tailed).
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).
B. Regresi Linier Sederhana

Berikut akan dilakukan analisis regresi linier dengan menggunakan variabel ‘berat
badan ibu’ dan ‘berat badan bayi’ dari data BAYI.SAV. Dalam analisis regresi kita
harus menentukan variabel dependen dan variable independennya. Dalam kasus ini
berarti berat badan ibu sebagai variable independen dan berat badan bayi sebagai
variabel dependen. Adapun caranya:
1. Pastikan tampilan berada pada data editor BAYI.SAV, jika belum aktifkan data
tersebut.
2. Dari menu SPSS, Klik ‘Analysis’, pilih ‘Regression’, pilih ‘Linear’.

3. Pada tampilan di atas ada beberapa kotak yang harus diisi. Pada kotak
‘Dependen’ isikan variabel yang kita perlakukan sebagai dependen (dalam
contoh ini berarti berat badan bayi) dan pada kotak Independent isikan variabel
independennnya (dalam contoh ini berarti berat badan ibu), caranya klik ‘berat
badan bayi’, masukkan ke kotak Dependent.
4. Klik ‘berat badan ibu’, masukkan ke kotak Independent
5. Klik ‘OK’, dan hasilnya sebagai berikut:

Model Summary
Adjusted R Std. Error of
Model R R Square Square the Estimate
1 .203a .041 .036 719.514
a. Predictors: (Constant), Berat badan ibu (sebelum
hamil)
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)
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.
PENYAJIAN DAN INTERPRETASI

Variable R R2 Persamaan garis p-value
Berat 0,203 0,041 Berat badan bayi = 2305,32 + 10,762*(berat 0,006
badan badan ibu)
bayi
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).
MEMPREDIKSI VARIABEL DEPENDEN

Dari persamaan garis yang didapat tersebut kita dapat memprediksi variabel
dependen (berat badan bayi) dengan variabel independen (berat badan ibu).
Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu
sebesar 70 kg, maka:
Berat badan bayi = 2305,32 + 10,762*(berat badan ibu)

Berat badan bayi = 2305,32 + 10,762*(70)
Berat badan bayi = 3058,66 gram
Ingat prediksi regresi tidak dapat menghasil;kan angka yang tepat seperti di atas,
namun perkiraannya tergantung dari nilai ‘Std, Error of The estimate’ (SEE) yang
besarnya adalah 719,514 (lihat di kotak Model Summary). Dengan demikian variasi

variabel dependen = Z*SEE. Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan
95% dan didapat nilai Z = 1,96, sehingga variasinya 1,96*719,514= ±1410,25.
Jadi dengan tingkat kepercayaan 95%, untuk berat badan ibu 70 kg diprediksikan
berat badan bayinya adalah diantara 1648,41 gram sampai dengan 4468,91 gram.
MEMBUAT GRAFIK PREDIKSI

Langkahnya adalah sebagai berikut:
1. Klik ‘Graphs, pilih ‘Scatter’.
2. Klik Sampel klik ‘Define’.

3. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel
dependennya (masukkan bbayi).
4. Pada kotak X Axis isikan variabel independennya (masukkan veriabel
dependennya (masukkan bbibu_1).
5. Klik ‘OK’.
6. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?)

7. Untuk mengeluarkan garisnya, klik grafiknya 2 kali.
8. Klik’chart’
9. Pada kotak ‘Fit Line, Klik Total
10. Klik ‘OK’ maka muncul garis regresi

BAB IX
ANALISIS MULTIVARIAT
Proses analisis multivariat dengan menghubungkan beberapa variable independen

dengan satu variabel dependen pada waktu yang bersamaan. Jumlah sampel dalam
analisis multivariat sangat penting diperhatikan, sebaiknya jangan terlalu sedikit,
pedoman yang berlaku adalah setiap variabel minimal diperlukan 10 responden. Bila
dalam penelitian terdapat 10 variabel, maka diperlukan jumlah sampel minimal = 10
x 10 responden = 100 responden.
Dari analisis multivariat kita dapat mengetahui:
a. Variabel independen mana yang paling besar pengaruhnya terhadap variable
dependen?
b. Apakah variabel independen berhubungan dengan variabel dependen
dipengaruhi variabel lain atau tidak?
c. Bentuk hubungan beberapa variabel independen dengan variabel dependen,
apakah berhubungan langsung atau pengaruh tidak langsung.
Dalam melakukan analisis multivariat kita harus mengetahui terlebih dahulu

mengenai konsep konfounding dan Interaksi.
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.
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.

BAB X
ANALISIS REGRESI LINIER GANDA
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.
Dalam regresi linier ganda variabel dependennya harus numeric sedangkan

variabel independen boleh semuanya numerik dan boleh juga campuran numerik
dan katagorik. Model persamaan regresi linier ganda merupakan perluasan
regresi linier sederhana.
B. ASUMSI REGRESI LINIER

Seperti pada umumnya pengujian statistik, dari analisis regresi linier ganda
diharapkan dapat memberikan informasi yang lebih banyak bukan sekedar
diskripsi data teramati. Kita tentu ingin menarik inferensi (menggeneralisasi)
tentang hubungan variabel-variabel dalam populasi asal dari sampel diambil.
Bagaimanakanh hubungan antara umur, berat badan dan jenis kelamin ‘pada
semua orang (populasi)’, tidak hanya seperti yang teramati di sejumlah orang
pada sampel? Oleh karena itu agar inferensi kita valid maka dalam analisis
regresi dianjurkan untuk mengikuti kaidah-kaidah yang dipersyaratkan dalam
analisis regresi. Dengan kata lain, setiap melakukan analisis Multiple regression
Linear harus memenuhi asumsi/persyaratan yang ditetapkan.

Adapun asumsi yang digunakan dalam multiple regression linear sebagai berikut:
c. 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 dan sebaran
(varian atau standar deviasi) maka asumsi eksistensi terpenuhi.
d. 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 asumsi 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
e. 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.
f. Asumsi Homoscedascity
Varian nilai variabel Y sama untuk semua nilai variabel X. Homoscedascity
Dapat diketahui dengan melakukan pembuatan plot residual. Bila titik tebaran
tidak berpola tertentu dan menyebar merata disekitar garis titik nol maka
dapat disebut varian homogen pada setiap nilai X dengan demikian asumsi
homoscedascity terpenuhi. Sebaliknya bila titik tebaran membentuk pola
tertentu misalnya mengelompok di bawah atau di atas garis tengah nol, maka
diduga variannya terjadi heteroscedascity.

g. Asumsi Normalitas
Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X.
Dapat diketahui dari Normal P-P Plot residual, bila data menyebar di sekitar
garis diagonal dan mengikuti arah garis diagonal, maka model regresi
memenuhi asumsi model regresi tidak memenuhi asumsi normalitas.
C. KEGUNAAN ANALISIS REGRESI LINIER GANDA

Tujuan analisis regresi linier ganda adalah untuk menemukan model regresi yang
paling sesuai menggambarkan faktor-faktor yang berhubungan dengan variabel
dependen. Pada prinsipnya, model regresi ganda dapat berguna untuk dua hal:
1. Prediksi, memperkirakan variabel dependen dengan menggunakan informasi
yang ada pada sebuah atau beberapa variabel independen. Disini dapat
diketahui secara probabilitas nilai variabel dependen bila seseorang/individu
mempunyai suatu set variabel dengan independen tertentu. Misalnya kita
melakukan analisis variabel independen umur, BB dan jenis kelamin
dihubungkan dengan variabel dependen tekanan darah. Dari hasil regresi,
seseorang iindividu dapat diperkirakan tekanan darahnya pada umur, berat
badan dan jenis kelamin tertentu.
2. Estimasi, menguantifikasi hubungan sebuah atau beberapa variable
independen dengan sebuah variabel dependen. Pada fungsi ini regresi dapat
digunakan untuk mengetahui variabel indepeden apa saja yang berhubungan
dengan variabel dependen. Selain itu kita juga dapat mengetahui seberapa
besar hubungan masing-masing independen terhadap variabel independen
lainnya. Dari analisis ini dapat diketahui variabel mana yang paling
besar/dominan mempengaruhi variabel dependen, yang ditunjukkan dari
koefisien regresi (b) yang sudah distandardisasi yaitu nilai beta.

D. PEMODELAN
Satu hal yang penting dalam regresi ganda adalah bagaimana memilih variabel
independen sehingga terbentuk sebuah model yang paling sesuai
menjelaskan/mengambarkan variabel dependen yang sesungguhnya dalam alam
(populasi). Dalam pembuatan model seringkali dijumpai pandangan yang kurang
tepat yaitu “memasukkan semua/sebanyak mungkin variabel independen ke
dalam model”. Alasannya, dengan memasukkan sebanyak mungkin variable
independen ke dalam model, maka variabel dependen diharapkan diprediksi
dengan sempurna. Perlu diketahui bahwa penambahan variabel independen
tidak selalu meningkatkan kemampuan prediksi variabel independen terhadap
variable dependen, sebab semakin banyak variabel independen (lebih-lebih
variabel yang tidak relevan) mengakibatkan makin besarnya nilai standar error
(Se). Disamping itu, model dengan banyak variabel seringkali malah menyulitkan
dalam interpretasi.
Berdasarkan pertimbangan tersebut pemilihan variabel independen hendaknya

dengan memperhatikan aspek statistik dan substansi. Model yang dihasilkan
diharapkan model yang PARSIMONI, artinya variabel yang masuk dalam model
sebaiknya yang sedikit jumlahnya, namun cukup baik untuk menjelaskan faktor-
faktor penting yang berhubungan dengan variabel dependen.
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.

Berikut langkah-langkah dalam pemodelan regresi linier ganda:
1. Melakukan analisis bivariat untuk menentukan variabel yang menjadi kandidat
model. Masing-masing variabel independen dihubungkan dengan variable
dependen (bivariat), bila hasil uji bivariat mempunyai nilai p<0,25, maka
variabel tersebut masuk dalam model multivariat. Untuk variabel yang p-
value-nya >0,25 namun secara substansi penting, maka variabel tersebut
dapat masuk ke multivariat.
2. Lakukan analisis secara bersamaan, lakukan pemilihan variabel yang masuk
dalam model. Ada beberapa metode untuk melakukan pemilihan variable
independen dalam analisis multivariat regresi linier ganda, yaitu:
a) ENTER, memasukkan semua variabel independen dengan serentak satu
langkah, tanpa melewati kriteria kemanaan statistik tertentu. Metode ini
yang tepat/sering digunakan, karena dalam pemodelan kita dapat
melakukan pertimbangan aspek substansi.
b) FORWARD, memasukkan satu persatu variabel dari hasil pengkorelasian
variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam
model, sampai semua variabel yang memenuhi kriteria tersebut masuk ke
dalam model. Variabel yang masuk pertama kali adalah variable yang
mempunyai korelasi parsial terbesar dengan variabel dependen dan yang
memenuhi kriteria tertentu untuk dapat masuk model. Korelasi parsial
adalah adalah korelasi antara variabel independen dengan dependen,
kriteria variabel yang dapat masuk P-in (PIN) adalah 0,005 artinya variabel
yang dapat masuk model bila variabel tersebut mempunyai nilai P lebih
kecil atau sama dengan 0,05.
c) BACKWARD, meamasukkan semua variabel ke dalam model, tetapi
kemudian satu persatu variabel independen dikeluarkan dari model
berdasarkan kriteria kemaknaan tertentu, variabel yang pertama kali
dikeluarkan adalah variabel yang mempunyai korelasi parsial terkecil
dengan variabel dependen. Kriteria pengeluaran atau P-out (POUT)
adalah 0,10, artinya variabel yang mempunyai nilai P lebih besar atau
sama dengan 0,10 dikeluarkan dari model.
d) STEPWISE, model ini merupakan kombinasi antara metode backward dan
Forward. Seperti halnya forward, metode Stepwise dimulai dari tanpa
variabel sama sekali di dalam model. Lalu satu variabel hasil
pengkorelasian variabel dimasukkan ke dalam model. Lalu satu persatu
variabel hasil pengkorelasian dimasukkan ke dalam model dan
dikeluartkan dari model dengan kriteria tertentu. Variabel yang pertama
masuk sama dengan metode forward yakni variabel yang mempunyai
korelasi parsial terbesar. Selanjutnya setelah masuk, variabel pertama ini
diperiksa lagi apakah harus dikeluarkan dari model menurut criteria
pengeluaran seperti metode backward.
e) REMOVE, mengeluarkan semua variabel independen dengan serentak
satu langkah, tanpa melewati kriteria kemaknaan statistik tertentu.
E. MELAKUKAN DIAGNOSTIK REGRESI LINIER

Langkah-langkahnya sebagai berikut:
a. Melakukan pengujian terhadap kelima asumsi.
b. Melakukan pengujian adanya kolinearitas. Kolinearitas terjadi bila antar
variabel independen terjadi saling hubungan yang kuat. Untuk mengetahui
adanya kolinearitas dapat dilihat dai nilai koefisien korelasi (r), bila nilai r lebih
tinggi dari 0,8 maka terjadi kolinearitas. Selain itu dapat diketahui dari nilai
VIF atau tolerance, bila nilai VIF > 10, atau tolerance sekitar 1 (satu) maka
model terjadi kolinearitas.
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.
G. PENILAIAN RELIABILITAS MODEL

Model regresi yang sudah terpilih perlu dicek reliabilitasnya dengan cara
membagi (split) sampel ke dalam dua kelompok. Untuk masing-masing sampel
dibuat model dengan variabel yang sama, kemudian bandingkan antara model 1
dan model 2, bila hasilnya sama/hampir sama maka model regresi reliabel. Bila
model reliabel maka seluruh sampel dapat digunakan untuk pembuatan model.

KASUS REGRESI LINIER GANDA
Sebagai latihan kita melakukan analisis penelitian “faktor-faktor yang berhubungan
dengan berat badan bayi”. Gunakan/aktifkan file data BAYI.SAV.
Variabel independennya meliputi berat badan ibu dlm kg (bbibu_1), umur ibu (umur),
riwayat hipetensi (ht), riwayat merokok (rokok), riwayat pekerjaan (kerja) dan riwayat
pendidikan (didik). Variabel dependennya berat badan bayi (bbayi).
Kode variabel pada file data : BAYI.SAV adalah sebagai berikut:
Variabel Definisi Operasional Hasil Ukur

umur Umur ibu (tahun) Tahun
bbibu_1 Berat badan ibu sebelum melahirkan (kg) Kilogram
bbibu_2 Berat badan ibu setelah melahirkan (kg) Kilogram
rokok Kebiasaan merokok selama hamil 0=tidak
1=ya
ht Riwayat menderita hipertensi 0=tidak
bbayi Berat badan bayi (gram) Gram
kerja Status kerja ibu 0=tidak
bekerja
1=bekerja
didik Pendidikan terakhir ibu 0=SD
1=SMP
2=SMA
bblr Status berat badan bayi lahir rendah (BBLR) 0=tidak
1=ya
Data selengkapnya ada di lampiran.

A. Langkah pertama pemodelan: SELEKSI BIVARIAT
Seleksi bivariat masing-masing variabel independen dengan variabel dependen.
Variabel yang dapat masuk model multivariat adalah variabel yang pada analisis
bivariatnya mempunyai nilai p<0,25. Namun ketentuan p-value<0,25 ini tidaklah
harus dipenuhi manakala dijumpai ada suatu variabel yang walaupun p-value >0,25
karena secara substansi sangat penting berhubungan dengan variabel dependen,
maka variabel tersebut dapat diikutkan dalam model multivariat. Uji yang digunakan

pada analisis bivariat tergantung dari variabel yang digunakan, bila variabel
independennya numerik menggunakan uji korelasi, bila independennya katagorik
menggunakan uji t atau uji anova.
a. Bivariat uji korelasi : melakukan analisis bivariat untuk variabel independen

berjenis numerik: variabel umur ibu, berat badan ibu.
Langkahnya :
1. Klik ‘Analysis’, sorot ke ‘Correlate’, sorot dan klik ‘Bivariate’.
2. Muncul dilayar menu ‘Bivariate Correlations’.

3. Pada kotak Variables, isikan semua variabel numerik baik untuk variable
independen (umur, bbibu_1) dan dependen (bbayi).

4. Klik tombol ‘OK’
Muncul dilayar hasil sebagai berikut:
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.

b. Bivariat uji t: melakukan analisis bivariat untuk variabel independen berjenis
katagorik: merokok dan riwayat hipertensi
1. Merokok
Langkahnya:
1. Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub menu
“Compare Means’, lalu pilih “Independen-Samples T Test”..
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’.

5. Klik ‘Define Group’, kemudian di layar nampak kotak isian. Anda diminta mengisi
kode variabel ‘rokok’ ke dalam kedua kotak. Pada contoh ini, kita tahu bahwa ‘0’
tidak merokok dan kode ‘1’ untuk yang merokok. Jadi ketiklah 0 pada Group 1”
dan 1 pada “Group 2”.
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
Independent Samples Test
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
Hasil analisis hubungan merokok dengan berat bayi menghasilkan p-value=0,010,

dengan demikian p value yang dihasilkan <0,25 maka variabel merokok dapat lanjut
ke multivariat.

2. Riwayat Hipertensi
Langkahnya:
“Compare Means’, lalu pilih “Independen-Samples T Test”.
‘Grouping Variable’. Keterangan: kotak test varibles tempat memasukkan
4. Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’. (variabel yang
sebelumnya (variabel rokok) dikeluarkan dahulu baru ‘ht’ dimasukkan.

kode variabel ‘ht’ ke dalam kedua kotak. Pada contoh ini, kita tahu bahwa ‘0’
tidak ada hipertensi dan kode ‘1’ ada hipertensi’. Jadi ketiklah 0 pada Group 1”
dan 1 pada “Group 2”.
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
Levene's Test for

Equality of
95% Confidence Interval of

Sig. the Difference
(2- Mean Std. Error
F Sig. t df tailed) Difference Difference Lower Upper
Berat bayi Equal variances
lahir (gr) assumed 1.386 .241 1.990 178 .048 432.155 217.163 3.610 860.700
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.

3. Riwayat Pekerjaan
Langkahnya:
“Compare Means’, lalu pilih “Independen-Samples T Test”.
‘Grouping Variable’. Keterangan: kotak test variables tempat memasukkan
4. Klik variabel ‘kerja’ dan masukkan ke kotak‘Grouping Variable’. (variabel yang
sebelumnya (variabel ht) dikeluarkan dahulu baru variable ‘kerja’ dimasukkan.

kode variabel ‘kerja’ ke dalam kedua kotak. Pada contoh ini, kita tahu bahwa ‘0’
tidak kerja dan kode ‘1’ kerja’. Jadi ketiklah 0 pada “Group 1” dan 1 pada “Group
2”.
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
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.

4. Riwayat Pendidikan
Langkahnya:
1. Aktifkan/bukalah file data “BAYI.SAV”.
“Compare Means’, lalu pilih “One-Way ANOVA” sesaat akan muncul menu One
Way ANOVA.
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”.

4. Klik tombol ‘Options” tandai dengan √ pada kotak “Descriptive”.
6. Klik tombol “Post Hoc”, tandai dengan √ pada kotak “Bonferroni”.
8. Klik “OK”
9. Hasilnya sebagai berikut:

Descriptives
Berat bayi lahir (gr)
95% Confidence
Interval for Mean
Std. Std. Lower Upper
N Mean Deviation Error Bound Bound Minimum Maximum
SD 47 2400.43 695.899 101.507 2196.10 2604.75 709 3940
SMP 84 2915.17 555.331 60.592 2794.65 3035.68 1588 4153
SMA 49 3500.47 630.945 90.135 3319.24 3681.70 1729 4990
Total 180 2940.09 732.751 54.616 2832.32 3047.87 709 4990
ANOVA
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
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.

Dengan demikian selesailah sudah seleksi semua variabel independen, variabel
independen umur, berat badan ibu sebelum melahirkan, riwayat merokok, hipertensi,
pendidikan dan pekerjaan masuk ke proses berikutnya yaitu ke analisis multivariat.
B. Langkah Kedua : Pemodelan Multivariat

Setelah tahap bivariat selesai, tahap berikutnya melakukan analisis multivariate
secara bersama-sama. Variabel yang valid dalam model multivariat adalah variabel
yang mempunyai p value < 0,05. Bila dalam model multivariat dijumpai variabel yang
p value nya > 0,05, maka variabel tersebut harus dikeluarkan dalam model.
Pengeluaran variabel dilakukan tidak serempak, melainkan bertahap satu per satu
dikeluarkan dimulai dari p value yang terbesar. Adapun proses selengkapnya
sebagai berikut:
1. Klik ‘Analyisis’, sorot ‘Regression’, sorot dan klik ‘Linier’ lalu muncul menu regresi
linier.
2. Pada kotak ‘dependen isikan variabel dependen (dalam hal ini berarti bbayi) dan
kotak ‘independen’ isikan variabel independennya (dalam hal ini umur, bbibu_1,
rokok, ht, kerja dan didik).

3. Pada kotak ‘Method’, pilih Enter’.
4. Abaikan lainnya
5. Klik ‘OK’, dan hasilnya sebagai berikut:

Model Summary
1 .635a .404 .383 575.623
a. Predictors: (Constant), Tingkat pendidikan ibu, Status
Pekerjaan ibu, Umur ibu (th), Apakah ibu hipertensi,
Apakah ibu perokok, Berat badan ibu (sebelum hamil)
ANOVAb
Sum of
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)
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
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
Berdasarkan kotak ‘Model Sumarry” didapatkan nilai R Square (R 2) sebesar 0,404,

artinya keenam variabel independen dapat menjelaskan variabel berat bayi sebesar
40,4% sedangkan sisanya dijelaskan oleh variabel lain. Dari hasil uji statistik (lihat
kotak anova) didapatkan p-value = 0,000 berarti persamaan garis regresi secara
keseluruhan sudah signifikan. Namun demikian prinsip pemodelan harus yang
sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek
nilai p-valuenya, variabel yang p-valuenya >0,05 dikeluarkan dari model.

Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3
variabel yang p-valuenya >0,05, yaitu umur p=0,968. Tahap berikutnya
mengeluarkan variabel yang p-valuenya >0,05, pengeluaran variable dimulai dari p-
value yang terbesar. Dengan demikian variabel yang kita keluarkan adalah umur ibu.
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.

3. Klik OK, dan hasilnya sebagai berikut:
Model Summary
1 .635a .404 .386 573.969
Pekerjaan ibu, Apakah ibu hipertensi, Apakah ibu
perokok, Berat badan ibu (sebelum hamil)
ANOVAb
Sum of
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)

Coefficientsa
Standardized
1 (Constant) 2243.865 202.110 11.102 .000
7.037 3.256 .133 2.161 .032
hamil)
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:

Model Summary
1 .635a .404 .386 573.969
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)
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
1 (Constant) 2243.865 202.110 11.102 .000
7.037 3.256 .133 2.161 .032
hamil)

Langkah selanjutnya UJI ASUMSI
Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang
valid, maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang
dipersyaratkan uji regresi linier ganda. Adapun uji asumsinya sebagai berikut.
Langkahnya:
1. Klik ‘Analysis’, sorot ‘Regression’, sorot dan klik ‘Linier’.
2. Masukkan dalam kotak Dependen variabel ‘bbayi’.

3. Masukan dalam kotak Independen variabel berat badan ibu (bbibu_1), merokok
(rokok), riwayat hipertensi (ht), riwayat pekerjaan (kerja) dan pendidikan (didik).

4. Klik tombol Statistics.
5. Klik kotak ‘Collinearity diagnostic’ dan klik kotak ‘Covariance matrix’ (perintah ini
untuk uji asumsi multicoliniarity).
6. Klik kotak ‘Durbin-Watson’ (perintah ini untuk uji asumsi Independensi).
7. Klik Continue.
8. Klik tombol ‘Plot”.

9. Masukkan ‘SRESID’ ke kotak Y, dan masukan ‘ZPRED’ ke kotak X (perintah ini
untuk uji asumsi Homoscedasity).
10. Klik kotak ‘histogram’ dan kotak ‘Normal probability plot” (perintah ini untuk uji
asumsi Normality).
11. Klik Continue
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:

Residuals Statisticsa
Std.
Minimum Maximum Mean Deviation N
Predicted Value 1742.87 3833.68 2940.09 465.494 180
Std. Predicted Value -2.572 1.920 .000 1.000 180
Standard Error of
68.738 216.471 100.404 30.091 180
Predicted Value
Adjusted Predicted
1737.14 3841.46 2940.29 465.911 180
Value
Residual -1.630E3 1608.995 .000 565.896 180
Std. Residual -2.840 2.803 .000 .986 180
Stud. Residual -2.889 2.842 .000 1.004 180
Deleted Residual -1.687E3 1653.201 -.199 586.582 180
Stud. Deleted Residual -2.953 2.901 .000 1.011 180
Mahal. Distance 1.573 24.466 4.972 4.389 180
Cook's Distance .000 .088 .006 .012 180
Centered Leverage
.009 .137 .028 .025 180
Value
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.

Model Summaryb
Adjusted R Std. Error of Durbin-
Model R R Square Square the Estimate Watson
1 .635a .404 .386 573.969 1.957
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 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
1 Regression 3.879E7 5 7757316.165 23.547 .000a
Residual 5.732E7 174 329440.773
Total 9.611E7 179
Dari output diatas menghasilkan uji anova 0,000, berarti asumsi linearitas terpenuhi.

d. Asumsi Homoscedascity
Varian nilai variabel Y sama untuk semua nilai variabel X. Homoscedascity dapat
diketahui dengan melakukan pembuatan plot residual. Bila titik tebaran tidak berpola
tertentu dan menyebar merata disekitar garis titik nol maka dapat disebut varian
homogen pada setiap nilai X dengan demikian asumsi homoscedascity terpenuhi.
Sebaliknya bila titik tebaran membentuk pola tertentu misalnya mengelompok di
bawah atau di atas garis tengah nol, maka diduga variannya terjadi
heteroscedascity.
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.

e. Asumsi Normalitas
Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X. dapat
diketahui dari Normal P-P Plot residual, bila data menyebar di sekitar garis diagonal
dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi model
regresi tidak memenuhi asumsi normalitas.

Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya
normal, berarti asumsi normality 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.

Coefficientsa
Collinearity Statistics
Model Tolerance VIF
1 Berat badan ibu
.909 1.100
(sebelum hamil)
Apakah ibu perokok .979 1.021
Apakah ibu hipertensi .933 1.072
Status Pekerjaan ibu .980 1.020
Tingkat pendidikan ibu .944 1.060
a. Dependent Variable: Berat bayi lahir
(gr)
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
1 .635a .404 .386 573.969
Pekerjaan ibu, Apakah ibu hipertensi, Apakah ibu
perokok, Berat badan ibu (sebelum hamil)

ANOVAb
Sum of
1 Regression 3.879E7 5 7757316.165 23.547 .000a
Residual 5.732E7 174 329440.773
Total 9.611E7 179
Coefficientsa
Standardized
1 (Constant) 2243.865 202.110 11.102 .000
7.037 3.256 .133 2.161 .032
hamil)
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.

Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya, pada kolom B
(di bagian Variabel In Equation) di atas, kita dapat mengetahui koefisien regresi
masing-masing variabel. Dari hasil di atas, persamaan regresi yang diperoleh
adalah:
Berat Bayi = 2243,865 + 7,037*bbibu – 204,044*rokok - 533,857*ht -283,795*kerja +
516,964*didik
Dengan model persamaan ini, kita dapat memperkirakan berat badan bayi dengan
menggunakan variabel berat badan ibu, merokok, hipertensi, pekerjaan dan
pendidikan.
Adapun arti koefisien B untuk masing-masing variabel adalah sebagai berikut:

- Setiap kenaikan berat badan ibu sebesar 1 kg, maka berat badan bayi akan naik
sebesar 7,037 gram setelah dikontrol variabel merokok, hipertensi, pekerjaan
dan pendidikan.
- Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 204,044 gram
setelah dikontrol variabel berat badan, hipertensi, pekerjaan dan pendidikan.
- Pada ibu yang menderita hipertensi,berat bayinya akan lebih rendah sebesar
533,857 gram setelah dikontrol variabel berat badan ibu, merokok, 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.

BAB XI
ANALISIS REGRESI LOGISTIK
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).
a. REGRESI LOGISTIK SEDERHANA

Analisis regresi logistik adalah salah satu pendekatan model matematis yang
digunakan untuk menganalisis hubungan satu atau beberapa variable independen
dengan sebuah variabel dependen katagorik yang bersifat dikotom/binary. Variabel
katagorik yang dikotom adalah variabel yang mempunyai dua nilai variasi, misalnya
sakit-tidak sakit, bayi BBLR dan normal, merokok dan tidak merokok, dan lain-lain.
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.
Odds Ratio (OR) = exp(β) atau dapat ditulis OR = e(β)

Dengan demikian dapat disimpulkan bahwa Individual Risk (ririko individu) hanya
dapat diperoleh dari rancangan kohor prospektif. Sedangkan pada rancangan case
control, cross sectional tidak dapat melakukan prediksi risiko individual. Pada
rancangan case control dan cross sectional dan cohort dapat dihitung nilai Odds
Ratio (OR), yang merupakan perhitungan RR indirek. Pada rancangan kohort
prospektif regresi logistik dapat digunakan untuk memprediksi/menaksir probabilitas
individu untuk sakit (atau meninggal) berdasarkan nilai-nilai sejumlah variabel yang
diukur padanya.
b. REGRESI LOGISTIK GANDA

Pada pembahasan di atas sudah diperkenalkan mengenai regresi logistic
sederhana. Seperti juga pada regresi linier, keuntunngan regresi logistik ganda
adalah kemampuannya untuk memasukkan beberapa variabel dalam satu model.
Pada regresi logistik, variabel independennya boleh campuran antara variable
katagorik dan numerik. Namun sebaiknya variabel independennya berupa katagorik
karena dalam menginterpretasi hasil analisis akan lebih mudah.
c. KEGUNAAN ANALISIS REGRESI LOGISTIK GANDA

a. Model Prediksi
Pemodelan dengan tujuan untuk memperoleh model yang tediri dari beberapa
variabel independen yang dianggap terbaik untuk memprediksi kejadian variabel
dependen. Pada pemodelan ini semua variabel dianggap penting sehingga estimasi
dapat dilakukan estimasi beberapa koefisien regresi logistik sekaligus.
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
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.
b. Model Faktor Risiko

Pemodelan dengan tujuan mengestimasi secara valid hubungan satu variable utama
dengan variabel dependen dengan mengontrol beberapa variabel
Konfonding.
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

variabel tersebut dinyatakan sebagai konfonding dan harus tetap berada dalam
model.
KASUS REGRESI LOGISTIK MODEL PREDIKSI

Untuk latihan, gunakan file data “BAYI.SAV”
Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (umur), berat badan
ibu (bbibu_1), menderita hipertensi (ht), merokok (rokok), pekerjaan (kerja) dan
pendidikan (didik) dengan status BBLR (bblr).
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.
Analisis bivariat antara “umur” dengan”bblr”

1. Pilih “Analyze”.
2. Pilih “Regression”.

3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan
kotak Covariates.
4. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai dependen
(dalam hal ini berarti masukkan “bblr”) dan pada kotak independen isikan
variabel independennya (dalam hal ini berarti masukkan “umur”).
Sehingga tampilannya sebagai berikut:
5. Klik tombol ‘Options’ , klik ‘CI for Exp(B)’

7. Klik “OK”, dan hasilnya sebagai berikut:
Block 1: Method = Enter

Omnibus Tests of Model Coefficients
Chi-square df Sig.
Step 1 Step 3.130 1 .077
Block 3.130 1 .077
Model 3.130 1 .077
Model Summary
-2 Log Cox & Snell Nagelkerke

Step likelihood R Square R Square
1 220.066a .017 .024
a. Estimation terminated at iteration number 4

because parameter estimates changed by less
than .001.

Classification Tablea
Predicted
Status BBLR Percentage

Observed Tidak Ya Correct
Step 1 Status Tidak 124 0 100.0

BBLR Ya 56 0 .0
Overall Percentage 68.9
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 1a umur -.056 .032 2.971 1 .085 .946 .888 1.008
Constant .488 .752 .421 1 .517 1.629
a. Variable(s) entered on step 1:

umur.
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).

Analisis bivariat antara “berat badan ibu sebelum melahirkan” dengan “bblr”
1. Pilih “Analyze”
2. Pilih “Regression”
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:

6. Klik Continue, layar ke menu logistic
7. Klik OK

Chi-square df Sig.
Step 1 Step 6.677 1 .010
Block 6.677 1 .010
Model 6.677 1 .010
Model Summary

1 216.518a .036 .051

than .001.
Predicted


BBLR Ya 56 0 .0
95.0% C.I.for
EXP(B)

Step 1a bbibu_1 -.034 .014 5.718 1 .017 .967 .940 .994
Constant 1.170 .820 2.034 1 .154 3.222
a. Variable(s) entered on step 1: bbibu_1.
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).

Analisis bivariat antara “hipertensi” dengan “bblr”
Covariates.
4. Pada kotak Dependent tetap berisi “bblr” dan pada kotak Covariates isikan “ht”.
Klik OK, Tampilannya sbb:

Output:
Chi-square df Sig.
Step 1 Step 4.072 1 .044
Block 4.072 1 .044
Model 4.072 1 .044
Model Summary

1 219.123a .022 .031

than .001.

Predicted
Status BBLR Percentag
Observed Tidak Ya e Correct

BBLR Ya 49 7 12.5

95.0% C.I.for
EXP(B)
Step 1a ht 1.224 .610 4.029 1 .045 3.400 1.029 11.231
Constant -.887 .170 27.326 1 .000 .412

ht.
Hasil uji didapatkan p value = 0,044 (p value < 0,25) berarti masuk dalam
multivariate.
Analisis bivariat antara “merokok” dengan “bblr”


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 “rokok”.
Klik OK, Tampilannya sebagai berikut:

Output:
Chi-square df Sig.
Step 1 Step 4.620 1 .032
Block 4.620 1 .032
Model 4.620 1 .032
Model Summary

1 218.575a .025 .036

than .001.
Predicted


BBLR Ya 56 0 .0

95.0% C.I.for
EXP(B)

Step 1a rokok .705 .328 4.611 1 .032 2.024 1.063 3.853
Constant -1.087 .219 24.722 1 .000 .337

rokok.
Hasil p value 0,032 (p value < 0,25), maka variabel kelainan uterus dapat lanjut ke
multivariate

Analisis bivariat antara “bekerja” dengan “bblr”
1.Pilih “Analyze”
2.Pilih “Regression”
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:

Output:
Chi-square df Sig.
Step 1 Step 4.836 1 .028
Block 4.836 1 .028
Model 4.836 1 .028
Model Summary

1 218.359a .027 .037

than .001.

Predicted


BBLR Ya 56 0 .0

95.0% C.I.for
EXP(B)
Step 1a kerja .713 .327 4.771 1 .029 2.041 1.076 3.871
Constant -1.139 .235 23.606 1 .000 .320

kerja.
Hasil uji p value = 0,028 (p value < 0,25) sehingga secara statistik dapat lanjut ke
multivariate.
Analisis bivariat antara “pendidikan” dengan “bblr”


Covariates.
4. Pada kotak Dependent tetap berisi “bblr” dan pada kotak Covariates variabel diisi
‘didik’.
Tampilannya sebagai berikut:

5. Pada variabel pendidikan perlu dilakukan dummy oleh karena variabel pendidikan
berjenis katagorik dengan isi lebih dari 2 nilai, tepatnya 3 kelompok(yaitu SD, SMP,
SMA). Klik tombol Categorical, pindahkan ‘didik’ dari
kotak covariates ke kotak categorical covariates, klik pilihan ‘first’ pada bagian
Reference category, lalu klik Change, dan tampilannya:
6. Klik Continue, layar ke menu logistic

7. Klik OK
Outputnya:

Chi-square df Sig.
Step 1 Step 34.312 2 .000
Block 34.312 2 .000
Model 34.312 2 .000
Model Summary

1 188.884a .174 .244

than .001.
Predicted


BBLR Ya 27 29 51.8
95.0% C.I.for
EXP(B)
B S.E. Wald Df Sig. Exp(B) Lower Upper

Step 1a didik 27.376 2 .000
didik(1) -1.452 .387 14.070 1 .000 .234 .110 .500
didik(2) -2.897 .602 23.172 1 .000 .055 .017 .179
Constant .477 .300 2.526 1 .112 1.611

didik.
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.
Covariates.

4. Pada kotak Dependent tetap berisi “bblr” dan pada kotak Covariates isikan
variabel umur, bbibu_1, rokok, ht, kerja dan didik. Ingat untuk “didik” dilakukan
dummy.
5. Klik Option, pilih ‘CI for exp(B)’

Output:
95.0% C.I.for
EXP(B)
Step 1a umur -.041 .040 1.056 1 .304 .960 .887 1.038
bbibu_1 -.028 .016 2.985 1 .084 .973 .943 1.004
rokok .717 .388 3.408 1 .065 2.048 .957 4.384
ht 2.080 .810 6.595 1 .010 8.005 1.637 39.157
kerja .830 .390 4.540 1 .033 2.294 1.069 4.925
didik 24.515 2 .000
didik(1) -1.565 .422 13.774 1 .000 .209 .092 .478
didik(2) -3.008 .673 19.973 1 .000 .049 .013 .185
Constant 2.229 1.279 3.040 1 .081 9.295

95.0% C.I.for
EXP(B)
Step 1a umur -.041 .040 1.056 1 .304 .960 .887 1.038
bbibu_1 -.028 .016 2.985 1 .084 .973 .943 1.004
rokok .717 .388 3.408 1 .065 2.048 .957 4.384
ht 2.080 .810 6.595 1 .010 8.005 1.637 39.157
kerja .830 .390 4.540 1 .033 2.294 1.069 4.925
didik 24.515 2 .000
didik(1) -1.565 .422 13.774 1 .000 .209 .092 .478
didik(2) -3.008 .673 19.973 1 .000 .049 .013 .185
a. Variable(s) entered on step 1: umur, bbibu_1, rokok, ht, kerja,

didik.
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:
95.0% C.I.for
EXP(B)
Step 1a bbibu_1 -.029 .016 3.431 1 .064 .971 .941 1.002
rokok .727 .388 3.508 1 .061 2.068 .967 4.425
ht 2.127 .822 6.695 1 .010 8.391 1.675 42.031
kerja .856 .388 4.853 1 .028 2.353 1.099 5.037
didik 24.539 2 .000
didik(1) -1.554 .421 13.623 1 .000 .211 .093 .482

didik(2) -3.019 .671 20.246 1 .000 .049 .013 .182
Constant 1.376 .961 2.049 1 .152 3.960
a. Variable(s) entered on step 1: bbibu_1, rokok, ht,

kerja, didik.
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)
Step 1a rokok .741 .384 3.736 1 .053 2.099 .990 4.452
ht 1.837 .780 5.548 1 .019 6.278 1.361 28.954
kerja .882 .384 5.275 1 .022 2.415 1.138 5.125
didik 27.818 2 .000
didik(1) -1.620 .417 15.068 1 .000 .198 .087 .448
didik(2) -3.213 .666 23.290 1 .000 .040 .011 .148
Constant -.254 .385 .436 1 .509 .776
a. Variable(s) entered on step 1: rokok, ht, kerja, didik.
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)
Step 1a ht 1.813 .787 5.306 1 .021 6.130 1.310 28.678
kerja .800 .376 4.541 1 .033 2.227 1.066 4.649
didik 28.453 2 .000
didik(1) -1.553 .407 14.573 1 .000 .212 .095 .470
didik(2) -3.251 .659 24.318 1 .000 .039 .011 .141
Constant .075 .341 .048 1 .826 1.078
a. Variable(s) entered on step 1: ht, kerja,

didik.
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”

2. Kotak dependen isikan bblr.
3. Kotak kovariat isikan ht, kerja dan didik.
4. Klik tombol Next
5. Isikan : kerja*ht ke kotak kovariat
6. Klik OK

Output:
Chi-
square df Sig.
Step 1 Step .093 1 .761
Block .093 1 .761
Model 46.078 5 .000
B S.E. Wald df Sig. Exp(B)
Step 1a ht 1.506 1.308 1.325 1 .250 4.509
kerja .770 .388 3.932 1 .047 2.159
didik 27.748 2 .000
didik(1) -1.546 .407 14.428 1 .000 .213
didik(2) -3.225 .664 23.623 1 .000 .040
ht by
.482 1.602 .090 1 .764 1.619
kerja
Constant .084 .342 .060 1 .807 1.087
a. Variable(s) entered on step 1: ht * kerja .
Lihat hasilnya pada bagian Block 2

Pada output bagian Block 2: Methode=Enter, terlihat hasil uji omnibusnya
memperlihatkan p value = 0,761 (lihat bagian step) berarti lebih besar dari 0,05,
berarti tidak ada interaksi antara pekerjaan dengan hipertensi. Dengan demikian
pemodelan telah selesai, model yang valid adalah model tanpa ada interaksi.
MODEL TERAKHIR

95.0% C.I.for
EXP(B)
Step 1a ht 1.813 .787 5.306 1 .021 6.130 1.310 28.678
kerja .800 .376 4.541 1 .033 2.227 1.066 4.649
didik 28.453 2 .000
didik(1) -1.553 .407 14.573 1 .000 .212 .095 .470
didik(2) -3.251 .659 24.318 1 .000 .039 .011 .141
Constant .075 .341 .048 1 .826 1.078
a. Variable(s) entered on step 1: ht, kerja,

didik.
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.

Untuk melihat variabel mana yang paling besar pengaruhnya terhadap variabel
dependen, dilihat dari exp (B) untuk variabel yang signifikan, semakin besar nilai exp
(B) berarti semakin besar pengaruhnya terhadap variable dependen yang dianalisis.
Dalam data ini berarti hipertensi yang paling besar pengaruhnya terhadap kejadian
bayi BBLR.

CONTOH PENELITIAN
FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN

KEJADIAN BERAT BAYI LAHIR RENDAH (BBLR)
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.

4. DEFINISI OPERASIONAL
Variabel Definisi Operasional Hasil Ukur
Umur Umur ibu (tahun) Tahun
Berat badan1 Berat badan ibu sebelum melahirkan Kilogram
(kg)
Berat badan2 Berat badan ibu setelah melahirkan Kilogram
(kg)
Kebiasaan Kebiasaan merokok selama hamil 0=tidak
merokok 1=ya
Riwayat Riwayat menderita hipertensi 0=tidak
hipertensi
Berat badan bayi Berat badan bayi (gram) Gram
Status kerja Status kerja ibu 0=tidak bekerja
1=bekerja
Pendidikan Pendidikan terakhir ibu 0=SD
1=SMP
2=SMA
Status BBLR Status berat badan bayi lahir rendah 0=tidak
(BBLR) 1=ya
5. DESAIN PENELITIAN
Desain penelitian korelasional pendekatan cross sectional.
6. ALAT PENGUMPUL DATA

a. Angket dan lembar wawancara
b. Timbangan berat badan dewasa
c. Timbangan berat badan bayi
d. Tensimeter dan stetoskop
e. Pena dan buku catatan
7. PROSEDUR PENGUMPULAN DATA

a. Membagikan angket
b. Melakukan wawancara
c. Menimbang berat badan ibu
d. Menimbang berat badan bayi
e. Mengukur tekanan darah
f. Mencatat hasil pengukuran dan hasil wawancara
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.
MASTER TABEL
FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN
KEJADIAN BERAT BAYI LAHIR RENDAH (BBLR)
umur bbibu_1 bbibu_2 rokok ht Bbayi kerja didik bblr

34 84 85 1 1 1135 1 0 1
23 84 86 1 0 2367 1 0 1
19 82 82 0 0 2523 0 0 0
20 76 77 0 0 3274 0 0 0
20 76 78 1 0 3940 0 0 0
21 74 74 1 1 1790 1 0 1
25 70 73 0 0 2977 0 0 0
27 68 68 0 0 1588 1 0 1
19 68 70 0 0 2733 0 0 0
28 63 62 0 0 3234 0 0 0
24 62 63 0 0 2100 1 0 1
16 61 63 1 0 3643 0 0 0
26 60 66 1 0 3260 0 0 0
29 58 59 0 0 1021 1 0 1
27 58 56 0 0 2187 1 0 1
23 58 58 0 0 3104 0 0 0
22 58 59 1 0 3132 0 0 0
16 58 58 0 0 1899 1 0 1
20 56 59 0 0 2055 1 0 1
23 55 58 0 0 3544 0 0 0
20 55 58 1 0 2381 1 0 1
28 54 56 1 0 709 1 0 1
20 54 57 1 0 2296 0 0 1
26 53 54 1 0 2084 0 0 1
25 52 55 0 0 1893 0 0 1
26 51 54 1 0 2665 1 0 0
17 51 53 0 0 2920 0 0 0
21 50 50 1 0 3203 1 0 0
19 50 53 1 0 2084 0 0 1
18 50 55 1 0 2296 0 0 1
16 50 51 0 0 3175 1 0 0
15 50 56 0 0 2353 0 0 1
32 47 49 1 0 1818 0 0 1
25 47 48 0 1 1330 1 0 1
24 47 47 1 0 2381 1 0 1
20 47 47 0 0 2450 0 0 1
31 46 47 1 0 2353 0 0 1
21 46 47 0 0 1970 1 0 1
19 46 47 0 0 2082 1 0 1
31 45 47 0 0 2835 0 0 0
21 45 45 0 0 2301 1 0 1
26 43 40 0 0 2325 1 0 1
19 43 41 0 0 2722 0 0 0
25 40 43 0 0 2055 0 0 1
24 40 43 1 0 2948 0 0 0
25 38 41 0 0 1474 1 0 1
20 36 41 1 0 2211 0 0 1
28 112 112 1 0 3303 1 1 0
18 103 103 0 0 3402 0 1 0
31 97 97 1 0 3005 0 1 0
36 91 93 0 0 2836 1 1 0
21 90 93 0 0 1928 0 1 1
26 86 88 1 0 2466 0 1 1
19 85 88 0 0 3062 1 1 0
21 83 84 1 0 3042 1 1 0
19 83 84 1 1 3756 0 1 0
26 72 73 0 0 4054 0 1 0
21 72 73 0 0 3062 1 1 0
22 71 72 0 0 3317 1 1 0
33 70 74 0 0 2551 0 1 0
30 69 70 0 0 3203 1 1 0
26 69 70 0 1 2442 1 1 1
31 68 70 1 0 3321 0 1 0
29 68 70 0 0 2920 0 1 0
20 68 69 1 0 1928 0 1 1
18 67 70 0 0 2282 1 1 1
30 64 64 1 0 2410 0 1 1
29 63 64 1 0 2977 1 1 0
25 63 62 0 0 3416 0 1 0
20 63 63 0 0 3317 0 1 0
19 62 65 1 0 2977 1 1 0
16 61 62 1 0 3374 0 1 0
32 60 65 1 0 3430 0 1 0
32 59 64 0 0 3080 1 1 0
19 59 65 0 0 3090 1 1 0
29 58 58 1 0 3884 0 1 0
25 58 60 0 0 4153 0 1 0
24 58 56 0 0 1701 1 1 1
23 58 58 0 0 3062 1 1 0
22 58 59 1 0 2187 0 1 1
22 58 56 1 0 2410 1 1 1
17 58 57 1 0 2125 1 1 1
20 57 58 0 0 3487 0 1 0
27 56 57 1 0 2992 0 1 0
25 56 56 0 0 2977 0 1 0
22 56 58 0 0 3614 1 1 0
21 56 56 0 0 2622 0 1 0
17 55 56 1 0 2906 1 1 0
32 54 57 0 0 2835 0 1 0
28 54 59 0 0 2863 0 1 0
25 54 56 0 0 2877 1 1 0
23 54 58 0 0 2395 0 1 1
23 54 59 0 0 3232 0 1 0
22 54 57 0 1 3100 1 1 0
20 54 56 1 0 2126 1 1 1
20 54 56 0 0 2807 0 1 0
20 54 57 0 0 3770 0 1 0
17 54 58 1 0 2414 1 1 1
17 54 59 0 0 2438 1 1 1
17 54 58 1 0 3572 0 1 0
33 53 56 0 0 3912 1 1 0
24 52 51 0 0 3090 1 1 0
24 52 53 0 0 3274 0 1 0
23 52 54 1 0 3331 0 1 0
21 52 51 0 0 4054 0 1 0
15 52 56 0 0 2381 1 1 1
30 50 53 0 0 3475 0 1 0
24 50 54 0 0 3232 1 1 0
16 50 53 0 0 3374 0 1 0
33 49 50 1 0 3033 0 1 0
21 49 50 1 0 2594 1 1 0
20 49 50 0 0 2240 0 1 1
30 48 50 0 0 2750 0 1 0
18 48 50 1 0 2600 1 1 0
20 47 47 1 0 2557 1 1 0
19 47 47 0 0 3572 0 1 0
20 46 48 0 0 3203 0 1 0
18 45 47 1 0 2769 1 1 0
18 45 47 1 0 2769 1 1 0
14 45 45 1 0 2466 0 1 1
14 45 45 0 0 2495 1 1 1
23 44 45 0 0 1588 1 1 1
15 44 45 0 0 2778 0 1 0
30 43 44 1 0 3147 0 1 0
28 43 41 1 0 2466 0 1 1
22 43 42 0 1 2750 1 1 0
23 42 40 1 0 2495 0 1 1
25 41 40 1 0 1928 1 1 1
19 41 43 1 0 1885 0 1 1
18 40 43 1 0 3076 0 1 0
22 38 42 1 0 3090 1 1 0
25 108 108 0 1 3790 0 2 0
19 106 106 1 1 3629 0 2 0
23 86 88 0 0 3459 1 2 0
32 84 86 0 0 3860 1 2 0
36 79 80 0 0 3600 0 2 0
35 76 78 0 0 4174 0 2 0
32 76 77 0 0 3473 1 2 0
26 76 77 1 0 2920 1 2 0
22 76 78 0 0 3827 0 2 0
16 76 78 0 0 3860 1 2 0
28 75 76 0 0 2877 1 2 0
20 71 75 0 0 3997 0 2 0
24 70 73 1 0 1936 0 2 1
29 69 72 0 0 3651 0 2 0
19 66 68 1 0 3651 1 2 0
19 66 69 1 0 3651 0 2 0
17 64 63 0 1 2495 1 2 1
30 62 63 0 0 3699 0 2 0
29 61 62 0 0 3651 0 2 0
14 61 64 0 0 3941 1 2 0
28 60 64 0 0 3941 0 2 0
24 60 65 0 0 3614 0 2 0
21 60 63 0 0 3629 1 2 0
24 59 61 0 1 1729 1 2 1
22 59 64 0 0 3460 0 2 0
28 58 57 0 0 3969 0 2 0
23 58 56 0 0 3586 1 2 0
22 58 59 0 0 4111 1 2 0
21 58 57 1 1 2495 0 2 1
45 55 57 0 0 4990 1 2 0
29 55 59 1 0 2663 1 2 0
35 54 56 1 0 2948 0 2 0
31 54 57 0 0 4167 0 2 0
28 54 58 1 0 2821 0 2 0
25 54 56 0 0 3983 1 2 0
20 54 56 1 0 3444 0 2 0
19 54 58 1 0 4238 1 2 0
18 54 59 1 0 3856 0 2 0
18 54 56 0 0 3884 0 2 0
17 54 58 0 0 3225 1 2 0
17 54 58 0 0 3225 0 2 0
25 53 55 1 0 2782 0 2 0
22 53 55 0 0 2637 1 2 0
24 52 53 0 0 4593 1 2 0
19 52 54 0 0 3175 0 2 0
17 51 53 0 0 2920 0 2 0
30 50 54 0 0 3799 1 2 0
24 50 52 0 0 3728 1 2 0
24 50 51 0 0 3770 0 2 0

DAFTAR PUSTAKA
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.
Notoatmodjo, Soekidjo (2005). Metodologi Penelitian Kesehatan. Jakarta: Rineka

Cipta.
Pagano, Marcello dan Gauvreu, Kimberlee (1993). Principles of Biostatistiks. Belmont,

California: Wadsworth Publishing Company Duxbury Press.
Rachmat, Mochamad (2012). Buku Ajar Biostatistik: Aplikasi pada Penelitian

Kesehatan. Jakarta: Penerbit Buku EGC.
Sabri, Luknis dan Hastono, Priyo Sutanto (2010). Statistik Kesehatan. Jakarta:
Rajgrafindo Persada.
Sastroasmoro, Sudigdo dan Ismael, Sofyan (2010). Dasar-Dasar Metodologi

Penelitian Klinis. Jakarta: Binarupa Aksara.
Sugiyono (2001). Statistik Nonparametris untuk Penelitian. Bandung: Alfabeta.
Supranto, J (2004). Analisis Multivariat, Arti dan Interpretasi. Jakarta: Penerbit Rineka
Cipta.


Modul SPSS Kesmas

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul SPSS Kesmas

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS DATA PENELITIAN KESEHATAN

(Aplikasi Menggunakan SPSS)

Suharmanto, S.Kep, MKM

Analisis Data Menggunakan SPSS 1

BAB I KONSEP DASAR STATISTIK 3

BAB II DATA DAN PENYAJIAN DATA 5

BAB III UKURAN PEMUSATAN & PENYEBARAN 8

BAB IV UJI INSTRUMEN (VALIDITAS DAN RELIABILITAS) 10

BAB V ANALISIS UNIVARIAT 21

BAB VI ANALISIS BIVARIAT (UJI-T DEPENDEN) 34

BAB VII ANALISIS BIVARIAT (CHI SQUARE & SPEARMAN) 37

BAB VIII ANALISIS BIVARIAT (KORELASI DAN REGRESI ) 48

BAB IX ANALISIS MULTIVARIAT 60

BAB X ANALISIS REGRESI LINIER GANDA 62

BAB XI ANALISIS REGRESI LOGISTIK 98

CONTOH PENELITIAN 133

Analisis Data Menggunakan SPSS 2

Analisis Data Menggunakan SPSS 3

2. Jenis Statistik Berdasarkan Ruang Lingkup Penggunaan

3. Jenis Statistik Berdasarkan Bentuk Parameter

Analisis Data Menggunakan SPSS 4

Analisis Data Menggunakan SPSS 5

D. VARIABEL DAN SKALA VARIABEL

Analisis Data Menggunakan SPSS 6

KRITERIA SKALA DATA

Analisis Data Menggunakan SPSS 7

Analisis Data Menggunakan SPSS 8

Analisis Data Menggunakan SPSS 9

Analisis Data Menggunakan SPSS 10

APLIKASI SPSS UJI INSTRUMEN

Analisis Data Menggunakan SPSS 11

Analisis Data Menggunakan SPSS 12

6. Pada ‘Model’, biarkan pilihan pada ‘Alpha’

Analisis Data Menggunakan SPSS 13

Case Processing Summary

Analisis Data Menggunakan SPSS 14

Analisis Data Menggunakan SPSS 15

5. Klik “OK” Kemudian muncul tampilan Output sebagai berikut:

Analisis Data Menggunakan SPSS 16

Analisis Data Menggunakan SPSS 17

c. Uji Interrater Reliability

Ujilah apakah ada kesepakatan antara peneliti dengan numerator:

Analisis Data Menggunakan SPSS 18

3. Masukkan variabel ‘peneliti’ ke bagian Row dan masukkan variabel ‘numerator’ ke

4. Klik tombol Statistic, klik Kappa

6. Klik OK, dan hasilnya

Peneliti * Numerator Crosstabulation

Analisis Data Menggunakan SPSS 20

A. PENGANTAR ANALISIS DATA

B. TUJUAN ANALISIS UNIVARIAT

Analisis Data Menggunakan SPSS 21

D. PENYAJIAN DATA KATAGORIK

APLIKASI SPSS ANALISIS UNIVARIAT

Analisis Data Menggunakan SPSS 22

Tingkat pendidikan ibu

Analisis Data Menggunakan SPSS 23

Pendidikan Jumlah Persentase

Analisis Data Menggunakan SPSS 24

Analisis Data Menggunakan SPSS 25

Analisis Data Menggunakan SPSS 26

Adapun caranya sebagai berikut:

Analisis Data Menggunakan SPSS 28

Analisis Data Menggunakan SPSS 29

Umur ibu (th) Stem-and-Leaf Plot