PENUNTUN LKK 1 BLOK XVIII : ANALISIS UNIVARIAT DAN BIVARIAT KATEGORIK

A. SASARAN PEMBELAJARAN
Setelah selesai mengikuti kegiatan ini peserta didik mampu:
1. Mempersiapkan bahan Entry data dan Analisis Univariat (Deskriptif) yang meliputi:
a. Pengolahan data ( Editing, Coding,Processing dan Cleaning )
b. Pengolahan data ( Transformasi / Modifikasi Data )
c. Konsep dasar analisis data
d. Analisis Univariat (Deskriptif )

B. PELAKSANAAN
1. PANDUAN ENTRY DATA DAN ANALISIS UNIVARIAT ( DESKRIPTIF )
1.1. Landasan Teori
Pengolahan data merupakan salah satu rangkaian kegiatan penelitian setelah pengumpulan data. Untuk itu data
yang masih mentah (raw data) perlu diolah sedemikian rupa sehingga menjadi informasi yang dapat digunakan
untuk menjawab tujuan penelitian. Ada empat tahapan dalam pengolahan data yang harus dilalui, agar analisis
penelitian menghasilkan informasi yang benar, yaitu :
1. Editing
Merupakan kegiatan untuk melakukan pengecekan isian formulir atau kuesioner, apakah jawaban yang
ada di kuesioner sudah :
- Lengkap (semua pertanyaan sudah terisi jawabannya )
- Jelas (jawaban pertanyaan apakah tulisannya cukup jelas terbaca)
- Relevan (jawaban yang tertulis, apakah apakah relevan dengan pertanyaan)
- Konsisten (apakah beberapa pertanyaan berkaitan isi pertanyaannya)
2. Coding
Merupakan kegiatan merubah data berbentuk huruf menjadi data berbentuk angka/bilangan. Misalnya
untuk variabel pendidikan dilakukan koding 1 = SD, 2 = SMP, 3 = SMA, 4 = PT, dsbnya. Coding berguna
untuk mempermudah pada saat analisi data dan mempercepat pada saat entry data.
3. Processing
Memproses data, agar data yang sudah di entry dapat dianalisis. Pemprosesan data dilakukan dengan cara
meng-entry data dari kuesioner ke paket program komputer. Paket program yang umum digunakan untuk
entry data adalah Program SPSS ( Statistical Program For Social Science )for window versi 16.0
4. Cleaning
Merupakan kegiatan pengecekan kembali data yang sudah di entry, apakah ada kesalahan atau tidak.
Kesalahan tersebut dimungkinkan terjadi pada saat kita meng entry ke komputer. Misalnya untuk variabel
pendidikan ada data yang bernilai 7, mestinya berdasarkan coding, pendidikan kodenya hanya antara 1 s/d
4 (1 = SD, 2 = SMP, 3 = SMA, 4 = PT )
Cara meng cleaning data :
a. Mengetahui Missing data
b. Mengetahui variasi data
c. Mengetahui konsistensi data (membandingkan dua tabel dan membuat tabel silang)
Setelah selesai melakukan pengolahan data, langkah selanjutnya adalah menganalisis data. Analisis data
merupakan suatu kegiatan yang sangat penting dalam suatu penelitian, karena dengan analisislah data dapat
mempunyai arti/makna yang berguna untuk memecahkan masalah penelitian.
Melalukan analisis data tidak dengan sendirinya dapat langsung memberi jawaban penelitian , untuk itu perlu
diketahui bagaimana meninterpretasi hasil penelitian tersebut. Menginterpretasi artinya kita menjelaskan hasil
analisis guna memperoleh makna/arti.
Interpretasi ada dua bentuk, yaitu :
1. Interpretasi dalam arti sempit (deskriptif) yaitu interpretasi data dilakukan hanya sebatas pada masalah
penelitian yang diteliti berdasarkan data yang dikumpulkan dan diolah untuk keperluan penelitian tersebut.
2. Interpretasi dalam arti luas (analitik) yaitu interpretasi guna mencari makna data hasil penelitian dengan
jalan tidak hanya menjelaskan/menganalisis data hasil penelitian tsb, tapi juga melakukan infrerensi
(generalisasi) dari data yang diperoleh dengan teori-teori yang relevan dan hasil-hasil penelitian tersebut.
Data merupakan kumpulan angka/huruf dari hasil penelitian terhadap sifat/karakteristik yang kita teliti. Isi data
pada umumnya bervariasi (misalnya data BB dalam sauatu kelompok orang, ada yang beratnya 50 kg, 60 kg,
75 kg dst), sehingga muncul istilah variabel . Variabel merupakan karakteristik yang nilai datanya bervariasi
dari suatu pengukuran ke pengukuran berikutnya.
Menurut skala pengukurannya, variabel dibagi empat jenis yaitu nominal, ordinal, interval dan rasio.
a. Nominal, variabel yang hanya dapat membedakan nilai datanya dan tidak tahu nilai data mana yang lebih
tinggi atau lebih rendah.
Contoh : jenis kelamin, suku dll (jenis kelamin laki-laki tidak lebih tinggi dibandingkan perempuan, Suku
Jawa tidak dapat dikatakan lebih baik/lebih buruk dari Suku Sunda)
Dapat dijelaskan bahwa variabel nominal, nilai datanya sederajat.
b. Ordinal, variabel yang dapat membedakan nilai datanya dan juga sudah diketahui tingkatan lebih tinggi
atau lebih rendah, tapi belum diketahui besar beda antar nilai datanya.
Contoh : pendidikan, pangkat, stadium penyakit dll.
Pendidikan SD pengetahuannya lebih rendah dibandingkan SMP. Namun demikian kita tidak dapat tahu
besar perbedaan pengetahuan orang yang berpendidikan SD dengan SMP.
c. Interval, variabel yang dapat dibedakan, diketahui tingkatannya dan diketahui juga besar beda antar
nilainya, namun pada variabel interval belum diketahui kelipatan suatu nilai terhadap nilai yang lain dan
pada skala interval tidak memiliki titik nol mutlak.
Contoh : variabel suhu, misalnya benda A suhunya 40 derajat dan benda B 10 derajat, namun kita tidak
bisa mengatakan bahwa benda A panasnya 4 kali dari benda B (ini berarti tidak ada kelipatannya).
Selanjutnya kalau suatu benda suhunya 0 derajat, ini tidak berarti bahwa benda tersebut tidak punya panas
(tidak mempunyai nilai nol mutlak)
d. Rasio, variabel yang paling tinggi skalanya, yaitu bisa dibedakan, ada tingkatan, ada besar beda dan ada
kelipatannya serta ada nol mutlak.
Contoh : berat badan, tinggi badan dll, misal A beratnya 30 kg dan B beratnya 60 kg. Dalam hal ini dapat
dikatakan bahwa A lebih ringan dari B, selisih berat antara A dan B adalah 30 kg, berat B dua kali lebih
berat dari berat A. Berat 0 kg (ini berarti tidak ada berat/tidak ada bendanya sehingga ada nilai nol mutlak.
Dalam analisis seringkali digunakan pembagian data/variabel menjadai dua kelompok yaitu :
a. Katagorik (kualitatif)
Merupakan data hasil pengklasifikasian/penggolongan suatu data.
Contoh : jenis kelamin, jenis pekerjaan, pendidikan dll
Variabel katagorik umumnya berisi variabel yang berskala nominal dan ordinal
b. Numerik (kuantitatif)
Merupakan variabel hasil dari penghitungan dan pengukuran .
Variabel numerik dibagi menjadi dua macam yaitu :
- Diskrit, merupakan variabel hasil dari penghitungan, (misalnya jumlah anak, jumlah pasien tiap
ruangan)
- Kontinyu, merupakan hasil dari pengukuran (misalnyatekanan darah, Hb dll)
Variabel numerik berisi variabel yang berskala interval dan rasio.
Pada umumnya analisis data bertujuan untuk :
a. Memperoleh gambaran/deskripsi masing-masing variabel
b. Membandingkan dan menguji teori atau konsep dengan informasi yang ditemukan
c. Menemukan adanya konsep baru dari dat yang dikumpulkan
d. Mencari penjelasan apakah konsep baru yang diuji berlaku umum atau hanya berlaku pada kondisi
tertentu.
Analisis suatu penelitian akan dilakukan tergantung dari :
a. Jenis penelitian
b. Jenis sampel
c. Jenis data/variabel
d. Asumsi kenormalan distribusi data
Pengolahan data (transformasi/modifikasi data) menggunakan program SPSS (Statistical Program For Social
Science). SPSS merupakan paket program statistik yang berguna untuk mengolah dan menganalisis data
penelitian. Dengan SPSS semua kebutuhan pengolahan data dan analisis data dapat diselesaikan dengan mudah
dan cepat.
Kemampuan yang dapat diperoleh dari SPSS meliputi : pemprosesan segala bentuk file data, modifikasi data,
membuat tabulasi distribusi frekuensi, analisis statistik deskriptif, analisis lanjut yang sederhana maupun
komplek, pembuatan grafik dsbnya.
Tujuan analisis adalah untuk menjelaskan/mendeskriptifkan karakteristik masing-masing variabel yang diteliti.
Pada analisis data kuantitatif kita dihadapkan pada kumpulan data yang besar/ banyak, yang belum jelas
maknanya. Fungsi analisis adalah menyederhanakan atau meringkas kumpulan data hasil pengukuran
sedemikian rupa sehingga kumpulan data tersebut berubah menjadi informasi yang berguna.
Peringkasan data berupa ukuran-ukuran statistik, tabel dan grafik. Peringkasan data (yang berwujud ukuran
tengah dan ukuran variasi), jenis data (numerik dan katagorik) akan sangat menentukan bentuk peringkasan
datanya.
1. Peringkasan data Numerik
a. Ukuran tengah (Mean, Median, Modus)
- Mean/average adalah ukuran rata-rata yang merupakan hasil dari jumlah semua nilai pengukuran
dibagi oleh banyaknya pengukuran.
Secara sederhana perhitungan nilai mean dapat dituliskan : X = Σ Xi / n
Keuntungan nilai mean mudah menghitungnya dan sudah melibatkan seluruh data dalam
pengitungannya. Namun kelemahan dari nilai mean adalah sangat dipengaruhi oleh nilai ekstrim, baik
ekstrim tinggi maupun ekstrim rendah.
Contoh : ada 5 pasien diukur lama hari rawatnya : 1 hr, 3 hr, 4 hr, 2 hr, 90 hr
Mean = (1+3+4+2+90)/5 = 20 hr
Dari hasil penghitungan didapatkan rata-rata lama hari dirawat 20 hari, hasil ini tentunya tidak dapat
mewakili karena secara visual datanya sebagian besar kurang dari 5 hari. Keadaan ini bisa terjadi
karena kumpulan data diatas ada nilai ekstrimnya.
- Median adalah nilai dimana setengah banyaknya pengamatan mempunyai nilai dibawahnya dan
setengahnya lagi mempunyai nilai diatasnya. Penghitungan median hanya mempertimbangkan urutan
nilai hasil pengukuran, besar nilai antar nilai diabaikan.
Karena mengabaikan besar beda , maka median tidak dipengaruhi oleh nilai ekstrim.
Prosedur penghitungan median melalui langkah :
a. Data diurutkan/di-array dari nilai kecil ke besar
b. Hitung posisi median dengan rumus (n + 1)/2
c. Hitung nilai mediannya
Contoh : usia 6 orang mahasiswa : 20 thn, 26 thn, 24 thn, 30 thn, 40 thn, 36 thn
Data diurutkan : 20,24,26,30,36,40
Posisi = (6+1)/2 = 3,5
Mediannya adalah data yang urutan ke 3,5 yaitu (26+30)/2 = 28
Jadi 50% mahasiswa berumur 28 tahun dan 50% mahasiswa berumur diatas 28 tahun.
- Mode/modus adalah nilai pengamatan yang mempunyai frekuensi/jumlah terbanyak.
Contoh: data umur mahasiswa, 18 thn, 22 thn, 21 thn, 20 thn, 23 thn, 20 thn
Dari data tersebut berarti mode-nya adalah 20 tahun
Hubungan mean, median dan mode akan menentukan bentuk distribusi data :
- Bila nilai mean, median dan mode sama, maka bentuk distribusi datanya normal
- Bila nilai mean > median > mode, maka bentuk dsitribusi datanya menceng/miring ke kanan
- Bila nilai mean < median < mode, maka bentuk distribusi datanya menceng/miring ke kiri.
b. Ukuran variasi (Range, Jarak Inter Quartil, Standard Deviasi)
- Range, merupakan ukuran yang paling dasar, di hitung dari selisih nilai terbesar dengan nilai terkecil.
Kelemahan range adalah di pengaruhi nilai ekstrim. Keuntungannya penghitungan dapat dilakukan
dengan cepat.
- Jarak Inter Quartil, nilai observasi berurutan dari nilai kecilke besar, kemudian di tentukan kuartil
bawah dan atasnya.
Kuartil merupakan pembagian data menjadi emapat bagianyang dibatasioleh tiga ukuran kuartil yaitu
kuartil I, kuartil II dan kuartil III.
Kuartil I mencakup 25% data berada dibawahnya dan 75% data berada diatasnya.
Kuartil II mencakup 50% data berada dibawahnya dan 50% data berada diatasnya.
Kuartil III mencakup 75% data berada dibawahnya dan 25% data bearada diatasnya.
Jarak Inter Kuartil adalah selisih anatara kuartil III dan kuartil I. Ukuran ini lebih baik dari range,
terutama kalau frekuensi pengamatan banyak dan distribusi sangat menyebar.
- Standard Deviasi, variasi data yang diukur melalui penyimpangan/deviasi dari nilai-nilai
pengamatan terhadap nilai mean nya. Rata-rata hitung dari kuadrat deviasi terhadap mean diebut
Σ ( Xi – X )2
varian, yang rumusnya : Varian =
n
Semakin besar nilai varian akan semakin bervariasi, karena satuan varian (kuadrat) yang tidak sama
dengan satuan nilai pengamatan, maka dikembang suatu ukuran variasi yang mempunyai satuan yang
sama dengan satuan pengamatan, yaitu Standard Deviasi.
Standard Deviasi merupakan akar dari varian :
Standard Deviasi ¿
 Seperti halnya varian, semakin besar SD semakin besar variasinya. Apabila tidak ada variasi, maka
SD = 0
2. Peringkasan data katagorik
Pada data hanya menggunakan distribusi frekuensi dengan ukuran persentase atau proporsi. Untuk ukuran
variasi, pada data katagorik variasi maksimal apabila jumlah antar katagori sama.
Contoh : Kelas A mahasiswa 50 mahasiswi 50
Kelas B mahasiswa 90 mahasiswi 10
Pada kelas A, jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita.
Pada kelas B, jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita
hanya 10%.
3. Bentuk penyajian data
Bentuk penyajian analisis univariat dapat berupa tabel atau grafik.
Contoh penyajian analisis deskriptif :
a. Data numerik
Tabel 1
Distribusi umur dan lama hari dirawat pasien RS X tahun 2010
Variabel Mean SD SE Minimal-
Median IQR Maksimal
1. Umur 30,3 10,1 2,1 17 – 60
31,1 10,5
2. Lama hari 10,1 8,9 1,4 2 - 60
rawat 7,0 4,0
b. Data katagorik
Tabel 2
Distribusi responden menurut tingkat pendidikan pasien RS X tahun 2010
Pendidikan Jumlah Persentase
SD 60 60,0
SMP 30 30,0
SMA 10 10,0
Jumlah 100 100,0

Bagaimana menginterpretasi tabel diatas ?

“dilihat konsentrasi /jumlah yang terbesar data pada kelompok mana ?”
Selain untuk mendeskripsikan masing-masing variabel, analisis univariat dapat juga sekaligus untuk
mengeksplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama untuk data
jenis numerik).

1.2Media Pembelajaran.
1. Penuntun Latihan ketrampilan klinik 1 Blok XVIII FK UMP.
2. Notebook / Komputer yang sudah memiliki program SPSS versi 16.0.

1.2. Langkah kerja

1. Menentukan jenis dan nama variable
2. Melakukan entry data sesuai dengan variabel
3. Mengedit data
4. Analisa data
5. Melakukan transformasi data atau modifikasi data
 SPSS: ANALISIS BIVARIAT (VARIABEL KATEGORIK)

I. Tujuan pembelajaran:
1. Mahasiswa diharapkan mampu melakukan perubahan variabel numerik menjadi variabel kategorik
menggunakan program komputer SPSS.
2. Mahasiswa diharapkan mampu melakukan uji hipotesis variabel kategorik tidak berpasangan menggunakan
program komputer SPSS.
3. Mahasiswa diharapkan mampu melakukan uji hipotesis variabel kategorik berpasangan menggunakan program
komputer SPSS.

II. Landasan Teori

Analisis bivariat adalah analisis secara simultan dari dua variabel. Hal ini dilakukan untuk melihat apakah satu
variabel terkait dengan variabel lain. Penelitian terhadap dua variabel biasanya mempunyai tujuan untuk meguji
perbedaan (komparatif) dan mengukur hubungan (asosiasi) antara dua variabel yang diteliti.

Uji hipotesis variabel kategorik untuk meguji perbedaan (komparatif) dan mengukur hubungan (asosiasi) antara dua
variabel yang diteliti, dilakukan :
1. Uji hipotesis variabel kategorik tidak berpasangan (tabel B x K)
a. Uji chi square
Ada beberapa syarat dimana chi square dapat digunakan yaitu:
- Tidak ada cell dengan nilai frekuensi kenyataan atau disebut juga Actual Count (F0) sebesar 0 (Nol).
- Apabila bentuk tabel kontingensi 2 X 2, maka tidak boleh ada 1 cell saja yang memiliki frekuensi
harapan atau disebut juga expected count (“Fh”) kurang dari 5.
- Apabila bentuk tabel lebih dari 2 x 2, misak 2 x 3, maka jumlah cell dengan  frekuensi harapan yang
kurang dari 5 tidak boleh lebih dari 20%.

b. Uji Fisher
Bila pada uji Chi Square tabel 2 x 2 terdapat nilai expected <5, maka nilai yang dipakai untuk mendapatkan
nilai p adalah dari baris Fisher’s exact test
c. Uji Kolmogorov-Smirnov
Bila pada analisis tabel bukan 2 x 2 (baris x kolom), misalnya tabel 2 x 3, ditemukan nilai expected <5
maka uji chi square tidak dapat dilakukan. Untuk itu dapat digunakan uji alternatifnya yaitu uji
Kolmogorov-Smirnov.
2. Uji hipotesis variabel kategorik berpasangan (prinsip P x K)
 a. Uji McNemar
b. Uji Marginal Homogeneity (prinsip 2 x (>2))
c. Uji Cochran (prinsip (>2) x 2)

III. Media pembelajaran:

1. Komputer yang sudah memiliki program SPSS
2. Data mentah

IV. Langkah kerja:

1. Memasukkan data mentah ke dalam Microsoft Excell (terlampir).
2. Membuka program SPSS di komputer.
3. Memasukkan data dari Microsoft Excell ke dalam program SPSS.
4. Memastikan data sudah dalam bentuk kategorik untuk mempermudah analisis.
5. Melakukan analisis data bivariat.
5.1 Uji hipotesis variabel kategorik tidak berpasangan (tabel B x K)
5.1.1 Uji chi square
a. Buka analyze  descriptive statistics  crosstabs.
b. Masukkan variabel independen/bebas ke dalam kotak row(s).
c. Masukkan variabel dependen/terikat ke dalam kotak column(s).
d. Klik kotak statistics  centang chi square  centang Risk  continue.
e. Klik kotak cells. Beri tanda centang pada kotak counts  centang observed dan expected 
pada kotak percentage centang row  continue.
f. Klik OK.
g. Interpretasi hasil  buka output  lihat baris Pearson Chi-Square  lihat kolom Asymp.
Sig. (2-sided). Bila nilai signifikansinya <0,05 (p <0,05) maka terdapat hubungan antara
variabel independen dengan variabel dependen. Bila nilai p >0,05 maka tidak terdapat
hubungan antara variabel independen dengan variabel dependen. Lihat OR pada tabel risk
estimate  menentukan risiko terjadinya variabel dependen terhadap variabel independen.
Bila OR < 1  menurunkan risiko (proteksi), OR=1  tidak berpengaruh, OR > 1 
meningkatkan risiko.

5.1.2 Uji Fisher

Bila pada uji Chi Square tabel 2 x 2 terdapat nilai expected <5, maka nilai yang dipakai untuk
mendapatkan nilai p adalah dari baris Fisher’s exact test yang dilihat pada kolom Asymp. Sig. (2-
sided). Bila nilai p <0,05 maka terdapat hubungan antara variabel independen dengan variabel
dependen. Bila nilai p>0,05 maka tidak terdapat hubungan antara variabel independen dengan
variabel dependen.
Untuk menilai risiko, lihat OR pada tabel risk estimate  menentukan risiko terjadinya variabel
dependen terhadap variabel independen. Bila OR < 1  menurunkan risiko (proteksi), OR=1 
tidak berpengaruh, OR > 1  meningkatkan risiko.

5.1.3 Uji Kolmogorov-Smirnov

Bila pada analisis tabel bukan 2 x 2 (baris x kolom), misalnya tabel 2 x 3, ditemukan nilai
expected <5 maka uji chi square tidak dapat dilakukan. Untuk itu dapat digunakan uji alternatifnya
yaitu uji Kolmogorov-Smirnov.
a. Data bentuk string harus diubah ke bentuk numeric dengan measure ordinal.
b. Buka analyze  non parametric test  2 independent sample.
c. Masukkan variabel dependen/terikat ke dalam test variable list.
d. Masukkan variabel independen/bebas ke dalam grouping variable.
e. Aktifkan Kolmogorov-Smirnov pada test type dan nonaktifkan pilihan lainnya.
f. Aktifkan Define group.
g. Masukkan angka 1 sebagai kode bagi faktor risiko positif ke dalam kotak Group 1.
h. Masukkan angka 2 sebagai kode bagi faktor risiko negatif ke dalam kotak Group 2.
i. Klik Continue
j. Klik OK.
k. Interpretasi hasil: buka output  lihat baris Asymp. Sig. (2-tailed). Bila nilai p < 0,05 maka
dapat disimpulkan bahwa terdapat hubungan antara variabel independen dengan variabel
dependen. Bila nilai p > 0,05 maka dapat disimpulkan bahwa tidak terdapat hubungan
antara variabel independen dengan variabel dependen.
 5.2 Uji hipotesis variabel kategorik berpasangan (prinsip P x K)
5.2.1 Uji McNemar
a. Data bentuk string harus diubah dulu ke bentuk numeric dengan measure ordinal.
b. Buka analyze  non parametric test  2 related sample
c. Tandai pengukuran ke-1 dan pengukuran ke-2  pindahkan ke dalam kotak Test Pair List.
d. Beri tanda centang pada McNemar.
e. Klik OK.
f. Interpretasi hasil  buka output  lihat baris McNemar Test dan kolom Exact Sig. (2-sided).
Bila p<0,05 maka dapat diambil kesimpulan bahwa terdapat perbedaan yang bermakna antara
variabel sebelum dan variabel sesudah. Bila p>0,05 maka dapat diambil kesimpulan bahwa
tidak terdapat perbedaan yang bermakna antara variabel sebelum dan variabel sesudah.

5.2.2 Uji Marginal Homogeneity (prinsip 2 x (>2))

a. Data bentuk string harus diubah ke bentuk numeric dengan measure ordinal.
b. Buka analyze  non parametric test  2 related sample
c. Tandai pengukuran ke-1 dan pengukuran ke-2  pindahkan ke dalam kotak Test Pair List.
d. Aktifkan pilihan Marginal Homogeneity.
e. Klik OK.
f. Interpretasi hasil  buka output  lihat baris Asymp. Sig. (2-tailed). Bila p<0,05 maka dapat
diambil kesimpulan bahwa terdapat perbedaan yang bermakna antara variabel sebelum dan
variabel sesudah. Bila p>0,05 maka dapat diambil kesimpulan bahwa tidak terdapat
perbedaan yang bermakna antara variabel sebelum dan variabel sesudah.

5.2.3 Uji Cochran (prinsip (>2) x 2)

a. Data bentuk string harus diubah ke bentuk numeric dengan measure ordinal.
b. Buka analyze  non parametric test  k- related sample
c. Tandai pengukuran ke-1, pengukuran ke-2, dan pengukuran ke-3  pindahkan ke kotak Test
Variables.
d. Beri tanda centang pada Cochran’s Q.
e. Klik OK.
f. Interpretasi hasil: buka output  lihat pada baris Asymp. Sig. Bila nilai signifikasinya <0,05 (p
<0,05) maka dapat disimpulkan “paling tidak terdapat perbedaan variabel antara dua saat
pengukuran”.
g. Bila diperoleh p <0,05 perlu dicari pada pengukuran yang manakah terjadi perbedaan nilai
variabel. Untuk itu dilakukan uji McNemar seperti langkah 5.2.1.
h. Interpretasi hasil uji McNemar: buka ouput  lihat baris Exact Sig. (2-tailed). Bila nilai
signifikasinya <0,05 (p <0,05) maka dapat disimpulkan “terdapat perbedaan variabel antara
pengukuran ke-1 dengan pengukuran ke-2 atau antara pengukuran ke-1 dengan pengukuran ke-
3 atau antara pengukuran ke-2 dengan pengukuran ke-3 atau”.

REFERENSI
Dahlan, Muhammad Sopiyudin. Statistik untuk kedokteran dan kesehatan: deskriptif, bivariat, dan multivariat
dilengkapi aplikasi dengan menggunakan SPSS. Edisi 5. Jakarta: Salemba Medika. 2011.