ANALISA DATA
1. Pendahuluan
Setelah kita selesai melakukan pengolahan data, maka langkah
selanjutnya adalah menganalisis data. Data mentah (raw data) yang sudah
susah payah kita kumpulkan tidak akan ada artinya jika tidak dianalisis.
Analisis data merupakan kegiatan yang sangat penting dalam suatu
penelitian, karena dengan analisislah data dapat mempunyai arti/makna yang
dapat berguna untuk memecahkan masalah penelitian.
Analisis mempunyai posisi strategis dalam suatu penelitian. Namun
perlu dimengerti bahwa dengan melakukan analisis tidak dengan sendirinya
dapat langsung memberi jawaban penelitian, untuk itu perlu diketahui
bagaimana menginterpretasi hasil penelitian tersebut. Menginterpretasi berarti
kita menjelaskan hasil analisis guna memperoleh makna/arti.
Interpretasi mempunyai dua bentuk, yaitu arti sempit dan arti luas.
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. Sedangkan
interpretasi dalam arti luas (analitik) yaitu interpretasi guna mencari makna
data hasil penelitian dengan jalan tidak hanya menjelaskan/menganalisis data
hasil penelitian tersebut, tetapi juga melakukan inferensi (generalisasi) dari
data yang diperoleh dengan teori-teori yang relevan dengan hasil-hasil
penelitian tersebut.
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 konsepbaru dari data yang dikumpulkan
d. Mencari penjelasan apakah konsep baru yang diuji berlaku umum atau
hanya berlaku pada kondisi tertentu
Seberapa jauh analisis suatu penelitian akan dilakukan tergantung dari:
a. Jenis penelitian
b. Jenis sampel
a. Jenis Penelitian
Jika ingin mengeahui bagaimana pada umumnya (secara rata-rata)
pendapat masyarakat akan suatu hal tertentu, maka pengumpulan data
dilakukan dengan survei. Dari kasus ini maka dapat dilakukan analisis data
dengan pendekatan kuantitatif. Namun bila kita menginginkan untuk
mendapatkan pendapat/gambaran yang mendalam tentang suatu fenomena,
maka data dapat dikumpulkan dengan fokus grup diskusi atau observasi,
maka analisisnya menggunakan pendekatan analisis kualitatif.
b. Jenis Sampel
Analisis sangat tergantung pada jenis sampel yang dibandingkan,
apakah kedua sampel independen atau dependen. Misalnya pada penelitian
survei yang tidak menggunakan sampel yang sama, dapat digunakan uji
statistik yang mengasumsikan sampel yang independen. Misalkan survei
untuk mengetahui apakah ada perbedaan berat badan bayi antara bayi-bayi
yang dilahirkan dari ibu perokok dengan bayi-bayi dari ibu yang tidak
merokok. Disini berarti kelompok ibu perokok dan kelompok ibu bukan
perokok bersifat independen.
Sedangkan untuk penelitian eksperimen yang sifatnya pre dan post
(sebelum dan sesudah adanya perlakuan tertentu dilakukan pengukuran)
maka uji yang digunakan adalah uji statistik untuk data yang dependen.
Misalnya, suatu penelitian ingin mengetahui pengaruh penelitian manajemen
terhadap kinerja petugas kesehatan. Pertanyaan penelitiannya “Apakah ada
perbedaan kinerja petugas kesehatan antara sebelum dan sesudah
mendapatkan pelatihan manajemen?”. Dalam penelitian ini sampel kelompok
petugas kesehatan bersifat dependen, karena pada kelompok (orang) yang
sama diukur dua kali yaitu pada saat sebelum pelatihan (pre test) dan
sesudah dilakukan pelatihan (Post Test).
c. Jenis Data/Variabel
Data denganjenis katagori 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)
X = Σ Xi / n
2). Median
Median adalah nilai dimana setengah banyaknya pengamatan mempunyai
nilai di bawahnya dan setengahnya lagi mempunyai nilai di atasnya.
Berbeda dengan nilai mean, penghitungan median hanya
mempertimbangkan urutan nilai dasil pengukuran, besar beda antar nilai
di abaikan. 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 ada usia 6 mahasiswa 20 th, 26 th, 24 th, 30 th, 40 th, 36 th
Data diurutkan: 20, 24, 26, 30, 36, 40
b. Ukuran Variasi
Nilai-nilai hasil pengamatan akan cenderung saling berbeda satu sama
lain atau dengan kata lain hasil pengamatan akan bervariasi. Untuk
mengetahui seberapa jauh data bervariasi digunakan ukuran variasi antara
lain range, jarak linier kuartil dan standard deviasi.
1). Range
Range merupakan ukuran variasi yang paling dasar, dihitung dari selisih
nilai terbesar dengan nilai terkecil. Kelemahan range adalah dipengaruhi
nilai ekstrim. Keuntungan penghitungan dapat dilakukan dengan cepat.
2). Jarak Inter Quartil
Nilai observasi disusun berurutan dari nilai ke cil ke besar, kemudian
ditentukan kuartil bawah dan atas. Kuartil merupakan pembagian data
menjadi 4 bagian yang dibatasi oleh tiga ukuran kuartil, yaitu kuartil I,
kuartil II dan kuartil III.
Semakin besar nilai varian akan semakin bervariasi, karena satuan varian
(kuadrat) yang tidak sama dengan satuan nilai pengamatan, maka
dikembangkan suatu ukuran variasi yang mempunyai satuan yang sama
dengan satuan pengamatan, yaitu Standard Deviasi.
Standard Deviasi merupakan akar dari varian:
b. Data katagorik
a. Data Katagorik
Untuk menampilkan tabulasi data katagorik digunakan tampilan
frekuensi. Sebagai contoh kita akan menampilkan tabel distribusi frekuensi
untuk variabel pendidikan dari file ‘ASI.SAV’.
1. Dari menu utama SPSS pilih ‘Analyze’, kemudian ‘Descriptive
Statistic’ dan pilih ‘Frequencies’, sehingga muncul tampilan:
Tabel …
Distribusi Responden Menurut Tingkat Pendidikan
Di ………… X tahun ….
Pendidikan Jumlah Persentase
SD 10 20,0
SMP 11 22,0
SMU 16 32,0
PT 13 26,0
Total 50 100,0
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 ‘Expolre’. Biasanya yang
digunakan adalah Frequencies oleh karena ukuran statistik yang dapat
dihasilkan pada menu ‘Frequencies’ sangat lengkap (seperti mean, median,
varian dll), selain itu pada perintah ini juga dapat ditampilkan grafik histogram
6. Klik tombol option ‘Statistics…’, pilih ukuran yang anda minta misalnya
mean, median, standard seviasi, minimum, maximum, SE.
7. Klik ‘Continue’
8. Klik tombol option ‘Charts’ lalu muncul menu baru dan klik ‘Histogram’,
lalu klik ‘With Normal Curve’
Frequencies
Statistics
Umur ibu menyusui
N Valid 50
Missing 0
Statistics
Umur ibu menyusui
N Valid 50
Missin 0
g 25.10
Mean .686
Std. Error of Mean 24.00
Median 19
Mode 4.850
Std. Deviation 19
Minimum 35
Maximum
Dari hasil di atas, nilai rata-rata dapat dilihat pada baris mean,
sedangkan nilai standard deviasi dapat dilihat pada baris std. Seviation. Pada
contoh di atas, rata-rata umur ibu adalah 25,10 tahun, median 24,0 tahun dan
4. Klik ‘Continue’
Explore
Descriptives
Statistic Std. Error
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
umur ibu menyusui .130 50 .035 .920 50 .002
a
. Lilliefors Significance Correction
Untuk variabel umur diatas, dilihat dari histogram dan kurve normal terlihat
bentuk yang normal, selain itu hasil dari perbandingan skwness dan standar
error didapatkan: 0,547/0,337 =1,62 , hasilnya masih dibawah 2, berarti
distribusi normal. Dari hasil tersebut diatas dengan demikian variabel umur
disimpulkan berdistribusi normal.
Hasil analisis didapatkan rata-rata umur ibu adalah 25,10 tahun (95% CI:
23,72 – 26,48), dengan standar deviasi 4,85 tahun. Umujr termuda 19 tahun
dan umur tertua 35 tahun. Dari hasil estimasi interval dapat disimpulkan
bahwa 95% diyakini bahwa rata-rata umur ibu adalah diantara 23,72 sampai
dengan 26,48 tahun.
UJI HIPOTESIS
Pengujian hipotesis dapat berguna untuk membantu pengambilan
keputusan tentang apakah suatu hipotesis yang diajukan, seperti perbesaan
atau hubungan, cukup menyakinkan untuk ditolak atau tidak ditolak.
Keyakinan ini didasarkan pada besarnya peluang untuk memperoleh
hubungan tersebut secara kebetulan (by chance). Semakin kecil peluang
tersebut (peluang adanya by chance), semakin besar keyakinan bahwa
hubungan tersebut memang ada.
Sebagai contoh, seorang peneliti masalah imunisasi diminta untuk
memutuskan berdasarkan bukti-bukti hasil percobaan, apakah suatu vaksin
baru lebih baik daripada yang sekarang beraedar di pasaran. Untuk
menjawab pertanyaan ini maka perlu dilakukan pengujian hipotesis. Dengan
pengujian hipotesis akan diperoleh suatu kesimpulan secara probalistik
apakah vaksin baru tersebut lebih baik dari yang sekarang beredar di pasaran
atau malah sebaliknya.
Prinsip uji hipotesis adalah melakukan perbandingan antara nilai
sampel (data hasil penelitian) dengan nilai hipotesis (nilai populasi) yang
diajukan. Peluang untuk diterima atau ditolaknya suatu hipotesis tergantung
besar kecilnyanya perbedaan antara nilai sampel dengan nilai hipotesis. Bila
perbedaan tersebut cukup besar, maka peluang untuk menolak hipotesis
besar pula, sebaliknya bila perbedaan tersebut kecil, maka peluang untuk
3. Hipotesis
Hipotesis berasal dari kata hupo dan thesis. Hupo artinya
sementara/lemah kebenarannya dan thesis artinya pernyataan/teopri. Dengan
demikian hipotesis berarti pernyataan yang perlu diuji kebenarannya. Untuk
menguji kebenaran sebuah hipotesis digunakan pengujian yang disebut
pengujian hipotesis.
Dalam pengujian hipotesis dijumpai dua jenis hipotesis yaitu hipotesis
nol (Ho) dan hipotesis alternatif (Ha). Berikut akan diuraikan lebih jelas
tentang masing-masing hipotesis tersebut.
a. Hipotesis Nol (Ho).
Ho : μA ≠ μB
Ada perbedaan mean tekanan darah antara laki-laki dan perempuan, atau
Ada hubungan antara jenis kelamin dengan tekanan darah
Pengertian Nilai P
Nilai p merupakan nilai yang menunjukkan besarnya peluang salah
menolak Ho dari data penelitian. Nilai P dapat diartikan pula sebagai nilai
besarnya peluang hasil penelitian (misal adanya perbedaan mean atau
proporsi) terjadi karena faktor kebetulan (by chance). Harapan kita nilai p
adalah sekecil mungkin, sebab bila nilai p-nya kecil maka kita yakin bahwa
adanya perbedaan pada hasil penelitian menunjukkan pula adanya
perbedaan di populasi. Dengan kata lain kalau nilai p-nya kecil maka
perbedaan yang ada pada penelitian terjadi bukan karena faktor kebetulan
(by chance).
Contoh:
Berikut adalah berbagai uji statistik yang dapat digunakan untuk analisis bivariat
Variabel I Variabel II Jenis uji statistik yang
digunakan
Katagorik ↔ Katagorik - Kai kuadrat
- Fisher Exact
Katagorik ↔ Numerik - Uji T
- ANOVA
Numerik ↔ Numerik - Korelasi
- Regresi
Uji t
Di bidang kesehatan sering kali kita harus menarik kesimpulan apakah
parameter dua populasi berbeda atau tidak. Misalnya, apakah ada perbedaan
tekanan darah penduduk dewasa orang kota dengan orang desa. Atau,
apakah ada perbedaan berat badan antar sebelum mengikuti program diet
dengan sesudahnya. Uji statistik yang membandingkan mean dua kelompok
data ini disebut uji beda dua mean. Pendekatan ujinya dapat menggunakan
pendekatan distribusi Z dan distribusi t , sehingga pada uji beda dua mean
bisa menggunakan uji Z atau uji t, namun lebih sering digunakan uji t.
Sebelum kita melakukan uji statistik dua kelompok data, kita perlu
mengetahui apakah dua kelompok data tersebut berasal dari dua kelompok
yang independen atau berasal dari dua kelompok yang
dependen/pasangan. Dikatakan kelompok independen bila data kelompok
yang satu tidak tergantung dari kelopok kedua, misalnya membandingkan
mean tekanan darah sistolik orang desa dengan orang kota. Tekanan darah
orang kota independen (tidak tergantung) dengan orang desa. Dilain pihak,
kedua kelompok data dikatakan dependen/pasangan bila kelompok data yang
dibandingkan datanya saling mempunyai ketergantungan, misalnya data
berat badan sebelum dan sesudah mengikuti program diet berasal dari orang
yang sama (data sesudah dependen/tergantung dengan data sebelum).
Berdasarkan karakteristik data tersebut maka uji beda dua mean dibagi
dalam dua kelompok, yaitu: uji beda mean independen (uji T independen) dan
uji beda mean dependen (uji T dependen).
Prinsip pengujian dua mean dua mean adalah melihat perbedaan variasi
kedua kelompok data. Oleh karena itu dalam pengujian ini diperlukan
informasi apakah varian kedua kelompok yang diuji sama atau tidak. Bentuk
varian kedua kelompok data akan berpengaruh pada nilai standar error yang
akhirnya akan membedakan rumus pengujiannya.
a. Uji untuk varian sama
Uji beda dua mean dapat dilakukan dengan menggunakan uji Z atau uji T.
Uji Z dapat digunakan bila standar deviasi populasi (σ) diketahui dan
jumlah sampel besar (>30). Apabila kedua syarat tersebut tidak terpenuhi
maka dilakukan uji . pada umumnya nilai σ sulit diketahui, sehingga uji
beda dua mean biasanya menggunakan uji T (T Test). Untuk varian yang
sama maka bentuk ujinya sbb:
X1 – X2
T=
Sp (1/n1) + (1/n2)
n1 - n2 - 2
df = n1 – n2 - 2
Ket :
n1 atau n2 = jumlah sampel kelompok 1 atau 2
S1 atau S2 = standar deviasi sampel kelompok 1 atau 2
b. Uji untuk varian berbeda
X1 – X2
T=
(S12/n1) + (S22/n2)
[(S12/n1) + (S22/n2)]2
df =
[(S12/n1)2/(n1-1)] + [(S22/n2)2/(n2-1)]
S12
F=
S22
d
T=
S_d / n
KASUS:
UJI t INDEPENDEN DAN UJI t DEPENDEN
7. Klik “Continue”
T-Test
Group Statistics
Std. Error
status menyusui asi N Mean Std. Deviation Mean
kadar hb pengukuran tdk 24 10.421 1.4712 .3003
EKSKLUSIVE 26 10.277 1.3228 .2594
pertama EKSKLUSIVE
Pada tampilan di atas dapat dilihat nilai rata-rata, standar deviasi dan
standar error kadar Hb ibu untuk masing-masing kelompok. Rata-rata kadar
Hb ibu yang menyusui ekslusif adalah 10,277 gr% dengan standar deviasi
1,322 gr%, sedangkan untuk ibu yang menyusui non eksklusif, rata-rata kadar
Hb-nya adalah 10,421 gr% dengan standar deviasi 1,471 gr%.
Hasil uji T dapat dilihat pada tabel bawah, SPSS akan menampilkan
dua uji T, yaitu uji T dengan asumsi varian kedua kelompok sama (equal
Rata-rata kadar Hb ibu yang menyusui eksklusif adalah 10,277 gr% dengan
standar deviasi 1,322 gr%, sedangkan untuk ibu yang menyusui non eksklusif
rata-rata kadar Hb-nya adalah 10,421 gr% dengan standar deviasi 1,471 gr%.
Hasil uji statistik didapatkan nilai p=0,717, berarti pada alpha 5% terlihat tidak
ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui
secara eksklusif dengan non eksklusif.
2. Uji T Dependen
3. Klik ‘hb1’
4. Klik ‘hb2’
5. Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan
6. Klik ‘OK’ hasilnya tampak sbb:
UJI ANOVA
Pada bab terdahulu telah dijelaskan uji beda mean dua kelompok data
baik yang independen maupun dependen. Namun seringkali kita jumpai
jumlah kelompok yang lebih dari dua, misalnya ingin mengetahui perbedaan
mean berat badan bayi untuk daerah Bekasi, Bogor dan Tangerang. Dalam
menganalisis data seperti ini (> 2 kelompok) sangat tidak dianjurkan
menggunakan uji T. kelemahan menggunakan uji T adalah; pertama kita
melakukan uji berulang kali sesuai kombinasi yang mungkin, kedua, bila
melakukan uji T berulang kali akan meningkatkan (inflasi) nilai α, artinya akan
meningkatkan peluang hasil yang keliru.
Perubahan inflasi α sebesar = 1 – (1-α)n
Untuk mengatasi masalah tersebut maka uji statistik yang dianjurkan (uji yang
tepat) dalam menganalisis beda lebih dari dua mean adalah uji ANOVA atau
uji F.
Prinsip uji ANOVA adalah melakukan telaah variabilitas data menjadi
dua sumber variasi yaitu variasi dalam kelompok (within) dan variasi antar
kelompok (between). Bila variasi within dan between sama (nilai
perbandingan kedua varian sama dengan 1) maka mean-mean yang
dibandingkan tidak ada perbedaan, sebaliknya bila hasil perbandingan
tersebut menghasilkan lebih dari 1, maka mean yang dibandingkan menunjuk
ada perbedaan.
Analisis varian (ANOVA) mempunyai dua jenis analisi varian satu
faktor (one way) dan analisis faktor (two way). Pada bab ini hanya akan
dibahas analisis varian satu faktor (one way).
Beberapa asumsi yang harus dipenuhi pada uji ANOVA adalah:
1. Varian homogen
2. Sampel/kelompok independen
3. Data berdistribusi normal
Sb2
F= df = k-1 → untuk pembilang
Sw 2
n-k → untuk penyebut
N-k
k-1
Xi - Xj
tij =
Sw2[(1/ni) +(1/nj)]
df = n – k
Dengan level of significance (α) sbb:
Kasus:
UJI ANOVA
Pada contoh ini aka dicoba dihubungkan antara tingkat pendidikan dengan
berat badan bayi. Variabel pendidikan merupakan variabel katagorik dengan
4 katagori. Variabel berat bayi berbentuk numerik sehingga uji yang
digunakan ANOVA. Adapun caranya sbb:
1. Aktifkan/bukalah file data “ASI.SAV”
2. Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub
menu “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”.
7. Klik “Continue”
8. Klik “OK”
ANOVA
berat badan bayi
Sum of Mean
Squares df Square F Sig.
Between 12697038 3 4232345.862 48.334 .000
Groups 4027962 46 87564.400
Within Groups 16725000 49
Total
Multiple Comparisons
Dependent Variable: berat badan bayi
Bonferroni
(I) (J) 95% Confidence Interval
pendidika pendidikan Mean
n formal formal ibu Difference
ibu menyusui (I-J) Std. Error Sig. Lower Bound Upper Bound
SD SMP -257.273 129.294 .315 -613.76 99.21
SMU -961.250* 119.286 .000 -1290.14 -632.36
PT -1291.538* 124.468 .000 -1634.72 -948.36
SMP SD 257.273 129.294 .315 -99.21 613.76
SMU -703.977* 115.902 .000 -1023.54 -384.42
PT -1034.266* 121.228 .000 -1368.51 -700.02
SMU SD 961.250* 119.286 .000 632.36 1290.14
SMP -703.977* 115.902 .000 384.42 1023.54
PT -330.288* 110.492 .027 -634.93 -25.64
PT SD 1291.538* 124.468 .000 948.36 1634.72
SMP 1034.266* 121.228 .000 700.02 1368.51
SMU 330.288* 110.492 .027 25.64 634.93
*. The mean difference is significant at the .05 level.
Dari print out ini diperoleh rata-rata berat bayi dan standar deviasi masing-
masing kelompok. Rata-rata berat bayi pada mereka yang berpendidikan SD
adalah 2470,0 gram dengan standar deviasi 249,6 gram. Pada mereka yang
berpendidikan SMP rata-rata berat bayinya adalah 2727,2 gram dengan
standar deviasi 241,2 gram. Pada mereka yang berpendidikan SMU rata-rata
berat bayinya adalah 3431,2 gram dengan standar deviasi 270,1 gram. Pada
mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761,5 gram
dengan standar deviasi 386,3 gram.
Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”,
terlihat p=0,000 (kalau desimalnya 0, maka penulisannnya menjadi
p=0,0005), berarti pada alpha 5%, dapat disimpulkan ada perbedaan berat
bayi diantara keempat 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
(O – E)2
X2 = Σ
E
df = (k-1)(n-1)
ket :
N (ad-bc)2
X =
2
(a+c)(b+d)(a+b)(c+d)
Uji kai kuadrat sangat baik untuk tabel dengan derajat kebebasan (df) yang
besar. Sedangkan khusus untuk tabel 2 x 2 (df-nya adalah 1) sebaiknya
digunakan uji kai kuadrat yang sudah dikoreksi (Yate Corrected atau Yate’s
Correction). Formula kai kuadrat Yate’s Correction adalah sbb:
(|O – E| - 0,5)2
X2 =
E
N {|ad-bc|2 – (N/2)]2
X =
2
(a+c)(b+d)(a+b)(c+d)
Pengkodean Variabel :
Perlu diketahui bahwa dalam mengeluarkan nilai OR dan RR harus
hati hati jangan sampai terjadi kesalahan pengkodean. 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. Sebagai contoh data di atas pengkodeannya adalah sbb: Ibu tidak
bekerja diberi kode 1 dan bekerja kode 0 dan ibu yang menyusui secara
eksklusif diberi kode 1 dan non eksklusif diberi kode 0. Sebetulnya bisa juga
kodenya dibalik, tapi harus
konsisten, misalnya kodenya: tidak bekerja =0, bekerja =1 dan eksklusive =0,
tdk eksklusive =1.
Tabel …
Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan
Pengetahuan
Total
Pendidikan Rendah Tinggi
N % n % n %
SD 25 50,0 25 50,0 50 34,4
SMP 16 40,0 24 60,0 40 27,6
10 33,3 20 66,7 30
SMU 20,7
Interpretasinya:
5. Klik option “Statistics..”, klik pilihan “Chi Square” dan klik pilihan “Risk”
8. Klik “Continue”
9. Klik “OK” hasilnya tampak sbb:
Chi-Square Tests
Asymp. Exact Sig. Exact
Value df Sig. (2-sided) Sig.
(2-sided) (1-sided)
Pearson Chi-Square 8.013b 1 .005
Continuity 6.490 1 .011
Correctiona 8.244 1 .004
Likelihood Ratio .010 .005
Fisher's Exact Test 7.853 1 .005
Linear-by-Linear
Association 50
N of Valid Cases
Pada hasil di atas tertampil tabel silang antara pekerjaan dengan pola
menyusui, 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 “ASI.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.
Dari analisis data di atas maka interpretasinya:
Ada sebanyak 18 (72,0%) ibu yang tidak bekerja menyusui bayi secara
eksklusif. Sedangkan diantara ibu yang bekerja, ada 8 (32,0%) yang
menyusui secara eksklusif. Hasil uji Chi Square dapat dilihat pada kotak “Chi
Square Test”. Dari print out muncul dengan beberapa bentuk/angka sehingga
menimbulkan pertanyaan, “Angka yang mana yang kita pakai?”, apakah
Pearson, Continuity Correction, Likelihood atau Fisher?”
Aturan yang berlaku pada Chi Square adalah sbb:
a. Bila pada 2 x 2 dijumpai nilai Expected (harapan) kurang dari 5, maka
yang digunakan adalah “Fisher’s Exact Test”
b. Bila tabel 2 x 2, dan tidak ada nilai E < 5, maka uji yang dipakai
sebaiknya “Continuity Correction (a)”
c. Bila tabelnya lebih dari 2 x 2, misalnya 3 x 2, 3 x 3 dsb, maka
digunakan uji “Pearson Chi Square”
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 = 0,011. berarti kesimpulannya
ada perbedaan perilaku menyusui eksklusif antara ibu yang bekerja dengan
ibu yang tidak bekerja. Dengan kata lain dapat disimpulkan bahwa ada
hubungan status pekerjaan dengan perilaku menyusui eksklusif.
Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya
hubungan dua variabel, sehingga uji ini tidak dapat untuk mengetahui
derajat/kekuatan hubungan dua variabel. Untuk mengetahui besar/kekuatan
hubungan banyak metodenya tergantung latar belakangdisiplin keilmuannya,
misal untuk ilmu sosial dengan melihat koefisien Phi, koefisien Contingency
dan cramer’s V. sedangkan untuk 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 5,464
(95% CI: 1,627 – 18,357). Sedangkan nilai RR terlihat dari baris For Cohort
yaitu bearnya 2,250 (95% CI: 1,209 – 4,189). Pada data ini berasal dari
penelitian Cross Sectional maka kita dapat menginterpretasikan nialai
OR=5,464 sbb: Ibu yang tidak bekerja mempunyai peluang 5,46 kali untuk
menyusui eksklusif dibandingkan ibu yang bekerja.. Pada perintah Crosstab
nilai OR akan keluar bila tabel silang 2 x 2, bila tabel silang lebih dari 2 x 2,
misalnya 3 x 2, 4 x 2 dsb, maka nilai OR dapat diperoleh dengan analisis
regresi logistik sederhana dengan cara membuat “Dummy variable”
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 variabel diikuti penurunan variabel yang lain, misalnya semakin
bertambah umur (semakin tua) semakin rendah kadar Hb-nya.
Y = a + bx
Y = a + bx + e
ΣXY – (ΣXΣY)/n
b= a = Y - bX
ΣX2 – (ΣX)2/n
Regression
Model Summary
Model R R Square Adjusted Std. Error of
R Square the Estimate
1 .684a .468 .456 430.715
a. Predictors: (Constant), berat badan ibu
ANOVA
b
Model Sum of df Mean F Sig.
Squares Square
1 Regressio 7820262 1 7820261.965 42.154 .000a
n 8904738 48 185515.376
Residual 16725000 49
Total
a. Predictors: (Constant), berat badan ibu
b. Dependent Variable: berat badan bayi’
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=0,0005. Jadi pada alpha 5% kita
menolak hipotesis nol, berarti ada hubngan linier antara berat badan ibu
dengan berat badan bayi. Dari nilai b=44,38 berarti bahwa variabel berat
badan bayi akan bertambah sebesar 44,38 gr bila berat badan ibu bertambah
setiap satu kilogram.
Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan
kuat (r=0,684) dan berpola positif artinya semakin bertambah berat badan ibu
semakin besar berat badan bayinya. Nilai koefisien dengan determinasi 0,468
artinya, persamaan garis regresi yang kita peroleh dapat menerangkan
46,8,6% 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=0,005).
Sumber :
Analisis Data, Sutanto Priyohastomo, Departemen Biostatistik, Fakultas
Kesehatan Masyarakat Universitas Indonesia.