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