ANALISA

UNIVARIAT & BIVARIAT

UJI NORMALITAS

Data Numerik jika akan dilakukan uji statistic parametrik, harus

terdistribusi normal.
Data dikatakan normal apabila memenuhi salah satu
dari kondisi berikut:
1. Histogram terlihat normal
2. Nilai signifikansi dari Kolmogorov-Smirnov > 0.05
3. Nilai SE-Skewness dibagi nilai Skewness-nya < 3.0
Gunakan perintah Explore
(Analyze >Descriptive .> Explore)
 Masukan variable numerik yang
akan diuji pada kotak
Dependent List
 Klik Plots, aktifkan Histogram
& Normality plots with test
 Klik Continue  klik OK
Uji Kolmogorov-Smirnov ke dua
variable p=0.2, menunjukan bila
data Umur & BB|TB
mempunyai distribusi normal

Nilai SE-Skewness dibagi nilai

Skewness-nya < 3.0
Umur = 0.309/0.363 = 0.85
BB|TB = 0.309/0,122 = 2.53
Nilai <3, artinya data umur &
Nilai Z BB|TB terdistribusi
normal
 Data univariat
Numerik / Kontinyu Kategorik

 Gunakan ukuran tengah  Gunakan frekuensi

dan sebaran.
 Ukuran tengah : rata-rata,
median dan modus.
 Sebaran : nilai minimum,
maksimum, range, standar
deviasi dan persentil.
 Data Numerik / Kontinyu
 Analyze->Descriptives->Descriptives
 Letakan variabel kategori yang akan
dianalis pada kotak variable, dapat
sekaligus bbrp variabel
 Klik OK
 Pada out put terdapat bbrp kolom, n,
Minimum, Maximum, Mean,Std.
Deviation
 Data Numerik / Kontinyu
 Jika ingin menampilkan nilai lain seperti
renge, SE mean, klik option tandai
range , SE mean.
 Tekan continue dan OK
 Hasil spt terlihat pada gambar

 Selain descriptives untuk analisa data

numerik bisa juga menggunakan perintah
Explore .
 Data Numerik / Kontinyu

 Hasil analisis perintah descriptives dan explore, sedikit berbeda.

 Pada tabel terlihat rata-rata umur Baduta 14.12 bln dengan confindent interval 12,51
-15,57 bln.
Data Kategorik
 Analyze->Descriptives->Frequencies
 Letakan variabel kategori yang akan
dianalis pada kotak variable, dapat
sekaligus bbrp variabel
 Klik OK
 Pada out put terdapat bbrp kolom,
frequency, percent, valid percent &
cumulative percent
 Jika ada missing, data percent & valid
percent akan berbeda angkanya.
 Data yang digunakan : frequency &
valid percent serta total
Contoh penyajian data
Kategorik
Tabel XX. Distribusi PekerjaanResponden
Contoh interpretasi data
kategorik
Berdasarkan jenis pekerjaan
yang terdapat pada Tabel xx
69,8% responden bekerja
sebagai Ibu RumahTangga,
sedangkan 30,2% bekerja diluar
rumah.
 JENIS UJI STATISTIK
Uji Parametrik Uji Non parametrik

• Jenis variabel numerik  Jenis variabel kategorik

(skala ukur interval atau (skala ukur nominal atau
rasio) ordinal)
 Data terdistribusi  Data tidak terdistribusi
normal atau Jumlah normal atau Jumlah
sampel besar (>30) sampel kecil (<30)
Uji T
Asumsi :
Distribusi data normal
Jika tdk normal -> uji non-
parametrik sepertiWilcoxon
(data berpasangan) atau Mann-
Whitney U (data independen).
Jenis Uji T
 Uji T berpasangan, bila data
saling terkait, misalnya nilai Z
BB|U sebelum program
dengan nilai Z BB|U setelah
program.
 Uji T independent bila data
dari 2 variable tidak saling
terkait. Misalnya nilai Z
BB|U pada anak Laki2 &
Perempuan
Apakah ada perbedaan
rata2 nilai Z TB|U antara
anak lelaki dengan
perempuan? Bagaimana
dengan nilai Z IMT|U

 Cek dahulu normalitas

data.
 Data TB|U tidak
terdistribusi normal  uji
no parametrik
 Data IMT|U terdistribusi
normal  uji parametrik
Non Parametrik
(nilai Z TB|U)

Analyze -> Non-parametric Test ->

Legacy Dialog > 2 Independent Sample
Masukan variable (numerik, kontinyu)
yang akan diuji ke test variable.
Masukan group variable ke grouping
variable, tekan define group, isi nilai di
group 1 dan group 2 (sesuai nilai dalam
data)
Tekan continue dan ok
Hasil uji beda rata-rata memperlihatkan mean ranking nilai Z TB|U
pada Baduta laki-laki lebih tinggi dibandingkan dengan mean ranking
Nilai Z TB|U Baduta perempuan, meskipun perbedaaa tsb tidak
signifikan.
 Parametrik
(nilai Z IMT|U)

Analyze -> Compare Means -

> Independent Sample T test
Masukan variable (numerik,
kontinyu) yang akan diuji ke
test variable.
Masukan group variable ke
grouping variable, tekan
define group, isi nilai di
group 1 dan group 2.
Tekan continue dan ok.
Tabel xx. Perbedaan mean nilai Z IMT|U berdasarkan Jenis Kelamin

Pada table xx, terlihat Baduta laki-laki mempunyai mean nilai Z

lebih besar (-0,3019) dibanding Baduta perempuan (-0.7172),
akan tetapi perbedaan nilai mean tidak signifikan.
Uji Beda Proporsi (X2:Chisquare)
Bivariat - Var Kategorik dengan var Kategorik

Tidak ada asumsi tertentu yang harus dipenuhi, hanya jumlah

sampel tidak boleh kecil.
Uji chi square dapat digunakan untuk menentukan/menguji:
1) Ada tidaknya hubungan/asosiasi antara 2 variabel (test of
independency)
2) Apakah suatu kelompok homogen dengan sub kelompok lain (test
of homogenity)
3) Apakah ada kesesuaian antara pengamatan dengan parameter
tertentu yang dispesifikasikan (Goodness of fit).
Uji Beda Proporsi (X2:Chisquare)
Bivariat - Var Kategorik dengan var Kategorik

Untuk melihat hubungan 2 variabel tipe kategorik.

Variabel independen tempatkan di rows
Variabel dependen tempatkan di colomn
Penelitian cross-sectional, gunakan persen baris
Penelitian kasus-kontrol, gunakan persen kolom
Untuk pengujian, klik Chi-square
 Umur Stunting Tabel data kategorik tdk selalu
(bulan) 2*2, bisa berapapun. Misalnya :
Yes No
Tabel 2*3
0–5 A B
Tabel 4*3
6 -11 C D
12 - 23 E F Nilai OR otomatis hanya keluar
untuk tabel 2*2

Nilai OR untuk tabel yang lain

harus dibuat dummy variable
terlebih dahulu atau
menggunakan regression
Hasil uji Chi Square dapat dilihat pada kotak “Chi Square Test”. Aturan
yang berlaku pada Chi Square adalah sbb:

a. Tabel 2 x 2 dengan nilai Expected (harapan) kurang dari 5, gunakan

“Fisher’s Exact Test”
b. Tabel 2 x 2, tidak ada nilai E < 5, gunakan “Continuity
Correction (a)”
c. Tabel 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.

Jika nilai expected yang kurang dari 5 lebih dari 20% atau ada nilai
expected yang kurang dari 1.0 (karena ada sell yang kosong), maka hasil uji
chi-square tidak valid, harus dilakukan pengelompokan ulang terlebih
dahulu.
Apakah terdapat hubungan jenis
kelamin Baduta dengan stunting?
 Analyze -> Descriptive statistics -
> Crosstabs
 Letakan variable Jenis Kelamin
pada kotak Row dan variable
Stunting pada kotak column
 Klik cell, pada kotak percent pilih
Row -> continue
 Klik stastistic, pilih Chi-square
dan risk -> continue
 Klik OK
 Hasil analisis menunjukan tdk
ada sel <5, shg nilai p
menggunakan continuity
correction, yaitu 0,01
 Nilai OR = 2,596
 Ada hubungan antara jenis
kelamin dengan stunting,
resiko Baduta laki-laki
mengalami stunting 2,59 kali
lebih besar dibanding Baduta
Perempuan
Apakah terdapat hubungan antara
tingkat Pendidikan ibu dengan
stunting?
 Lakukan Analisa dengan crosstab terlebih
dahulu.
 Tingkat Pendidikan ibu terdiri dari 3
kategori. Agar bisa mendapatkan nilai OR,
harus dibuat dummy variable terlebih
dahulu atau menggunakan regression
 Analyze -> Regression -> Binary Logistic
 Letakan variable Pendidikan Ibu pada
kotak Covariate. Pindahkan variable
Pendidikan dari covariate ke kotak
categorical covariate.
 Klik last pada reference categori.
Pembanding pada variable Pendidikan
adalah Pendidikan SLA ke atas.
 Klik continue
 Klik OK
Hasil Analisa pertama, 30% cell mempunyai expected value <5 dan
ada sel 0, shg variable Pendidikan Ibu harus diketegori ulang.
Stl dikategori ulang, terdapat 16,7% cell yang expected value <5,
shg digunakan Pearson Chi-Square untuk pengambilan keputusan.
Ibu dengan Pendidikan SD 55,6% anaknya mengalami stunting,
Ibu dengan Pendidikan SLP 20% anaknya stunting dan Ibu dengan
Pendidikan SLA ke atas hanya 2,2% anaknya yang stunting.
Semakin tinggi tingkat Pendidikan Ibu semakin sedikit anaknya
yang stunting. Terdapat hubungan yang signifikan (nilai p<0.05)
antara Pendidikan ibu dengan stunting Baduta
 LATIHAN
Gunakan data set latihan_2022.sav
1. Cek data numerik (umur anak, BB, PB, Lila, Lika, WAZ, WHZ,
HAZ, BAZ, MUACZ, HCZ, Uang rokok, uang Pulsa, semua data
konsumsi), apakah ada nilai-nilai yang ekstrim?
2. Kategorikan data WAZ, HAZ, WHZ, BAZ secara rinci.
3. Kategorikan data WAZ, HAZ, WHZ, BAZ maksimal 3 kelp, kurang,
normal, lebih
4. Kategorikan umur responden <=20 th; 21-30; 31-ke atas). (hitung
dahulu umur responden dengan perintah compute. Pada kotak
ekspresi DATEDIFF(tgl survey, tgl lahir,’years’’)
5. Lakukan distribusi frekuensi untuk status gizi (semua indicator); jenis
kelamin baduta, Pendidikan responden; pekerjaan responden,
pekerjaan kepala keluarga
 LATIHAN

1. Apakah ada hubungan antara asupan energi (% AKE) dengan

Berat Badan Kurang?
2. Apakah ada hubungan antara asupan protein (% AKP) dengan
nilai z PB|U?
3. Apakah ada hubungan antara umur Baduta (dlm bulan) dengan
stunted?
4. Apakah ada hubungan antara umur ibu dengan berat lahir
baduta?