Hipotesa :
Klik Analyze --> decriptive statistics --> explore --> masukkan variabel konsumsi vitamin A dan serum
retinol ke kotak dependent list --> klik plot dan centang normality plots with test saja--> ok
Didapatkan hasil analisis normalitas data dengan menggunakan uji Kolmogorov Smirnov, dan
skewness/standard error. Berikut hasilnya :
Berdasarkan angka diatas didapatkan Nilai Skewness/standar error sebagai berikut :
Dari kedua hasil diatas didapatkan bahwa berdasarkan hasil analisis normalitas uji Kolmogorov smirnov
pada asupan vitamin A < 0,05 dan pada serum >0,05 dan penilaian skewness/standar error pada asupan
vitain A > dari 2 dan pada kadar serum retinol < 2. Maka dapat disimpulkan asupan konsumsi vitamin A
berdistribusi tidak normal dan kadar serum retinol berdistribusi normal.
Selanjutnya dilakukan analisis statistik dengan menggunakan uji Korelasi Spearman dikarenakan terdapat
salah satu variabel yang tidak terdistribusi normal. dengan langkah - langkah sebagai berikut :
Klik Analyze --> Correlate--> bivariate--> masukkan variabel konsumsi vitamin A dan serum retinol ke
kotak variables serta centang spearman dan tidak centang pearson --> ok
Selanjutnya untuk mendapatkan persamaan regresi dilakukan Langkah- Langkah sebagai berikut :
Klik Analyze --> regression--> linear masukkan serum retinol ke dependent dan konsumsi vitamin A ke
independent -> Pada statistics centang r square change --> ok
Semua hasil yang didapatkan dimasukkan dalam table dengan hasil sebagai berikut :
Kadar Serum Retinol
Koefisien r R2 P Value Persamaan Garis
Asupan Vitamin A -0,204 0,053 0,031* Kadar Serum
Retinol = 35,553
-0,006*Asupan
Vitamin A
Berdasarkan analisis diatas dapat terlihat bahwa asupan vitamin A dengan kadar serum retinol
menunjukkan pengaruh yang lemah (r = -0,204) dan berpola negatif artinya semakin tinggi konsumsi
vitamin A maka semakin rendah kadar serum retinol subjek. Selanjutnya berdasarkan penilaian koefisien
r2 sebesar 0,053 dapat berarti bahwa persamaan garis regresi yang diperoleh hanya dapat menerangkan
5,3% variasi kadar serum retinol atau dengan kata lain persamaan garis regresi tersebut sangat kecil
untuk memprediksi kadar serum retinol. Hasil analisis statistik ditemukan bahwa nilai signifikansi sebesar
0,031 yang berarti bermakna secara statistik atau terdapat pengaruh antara asupan vitamin A dengan
kadar serum retinol akan tetapi pengaruhnya lemah. (H0 gagal ditolak).
2. Lakukan uji korelasi hasil pengukuran panjang lahir dan berat lahir, lengkapi hasilnya dengan
grafik dari interpretasi hasil
Buat hipotesa dab buktikan
Jawaban :
Hipotesa :
H0 = Tidak ada korelasi/hubungan hasil pengukuran Panjang lahir dengan berat lahir bayi
Ha= Terdapat korelasi/hubungan hasil pengukuran Panjang lahir dengan berat lahir bayi
Langkah Langkah SPSS :
Klik Analyze --> decriptive statistics --> explore --> masukkan variable Panjang lahir dan berat lahir ke
kotak dependent list --> klik plot dan centang normality plots with test saja--> ok
Didapatkan hasil analisis normalitas data dengan menggunakan uji Kolmogorov Smirnov,
skewness/standard error dan histogram. Berikut hasilnya :
Didapatkan Nilai Skewness/standar error sebagai berikut :
Hasil Histogram :
Dari ketiga hasil diatas didapatkan bahwa berdasarkan hasil analisis normalitas didapatkan bahwa 2 dari
3 metode uji normalitas yaitu histogram serta menggunakan Kolmogorov memperlihatkan bahwa
distribusi data tidak normal pada kedua variabel, sehingga analisis statistik yang dilakukan dengan
menggunakan uji Korelasi Spearman dengan Langkah – Langkah
Klik Analyze --> Correlate--> bivariate--> masukkan variabel Panjang lahir dan berat lahir ke kotak
variables serta centang spearman dan tidak centang pearson --> ok
Selanjutnya untuk mendapatkan persamaan regresi dilakukan Langkah- Langkah sebagai berikut :
Klik Analyze --> regression--> linear masukkan berat lahir ke dependent dan Panjang lahir ke
independent -> Pada statistics centang r square change --> ok
Semua hasil yang didapatkan dimasukkan dalam table dengan hasil sebagai berikut :
Berat Lahir
Koefisien r R2 P Value Persamaan Garis
Panjang Lahir 0,392 0,108 <0,0001 Berat Lahir =
1,278 +
0,037*Panjang
Lahir
Berdasarkan analisis diatas dapat terlihat bahwa Panjang lahir dengan berat lahir menunjukkan
korelasi/hubungan yang sedang (r = 0,392) dan berpola positif artinya semakin besar Panjang lahir maka
semakin besar nilai berat lahir bayi tersebut. Selanjutnya berdasarkan penilaian koefisien r2 sebesar
0,108 dapat berarti bahwa persamaan garis regresi yang diperoleh hanya dapat menerangkan 10,8%
variasi berat lahir atau dengan kata lain persamaan garis regresi tersebut cukup kecil untuk memprediksi
berat lahir bayi. Hasil analisis statistik ditemukan bahwa nilai signifikansi sebesar <0,0001 yang berarti
bermakna secara statistic atau dapat dikatakan korelasi yang ada atau hubungan yang ada memang
secara statistic bermakna (Ha diterima/Ho di tolak).
Hipotesa :
Klik Analyze --> decriptive statistics --> explore --> masukkan variabel diskriminasi visual dengan
kemampuan membaca ke kotak dependent list --> klik plot dan centang normality plots with test saja-->
ok
Didapatkan hasil analisis normalitas data dengan menggunakan uji Kolmogorov Smirnov, dan
skewness/standard error. Berikut hasilnya :
Didapatkan Nilai Skewness/standar error sebagai berikut :
Dari kedua hasil diatas didapatkan bahwa berdasarkan hasil analisis normalitas data terlihat bahwa hasil
uji Shapiro Wilk > 0,05 dan penilaian skewness/standar error < dari 2 pada kedua variabel. Maka dapat
disimpulkan kedua variabel terdistribusi normal. Maka analisis statistik yang digunakan untuk melakukan
analisis korelasi dengan menggunakan uji korelasi pearson dengan Langkah – Langkah
Klik Analyze --> Correlate--> bivariate--> masukkan variabel diskriminasi visual dan kemampuan
membaca ke kotak variables serta centang pearson --> ok
Selanjutnya untuk mendapatkan persamaan regresi dilakukan Langkah- Langkah sebagai berikut :
Klik Analyze --> regression--> linear masukkan diskriminasi visual ke independent dan kemampuan
membaca ke dependent -> Pada statistics centang r square change --> ok
Semua hasil yang didapatkan dimasukkan dalam table dengan hasil sebagai berikut :
Kemampuan Membaca
Koefisien r R2 P Value Persamaan Garis
Diskriminasi Visual 0,953 0,908 <0,0001 Kemampuan
Membaca = -
21,575 + 1,510*
diskriminasi
visual
Berdasarkan analisis diatas dapat terlihat bahwa diskriminasi visual dengan kemampuan membaca
menunjukkan korelasi/hubungan yang kuat (r = 0,953) dan berpola positif artinya semakin tinggi
diskriminasi visual maka semakin besar kemampuan membaca subjek. Selanjutnya berdasarkan
penilaian koefisien r2 sebesar 0,908 dapat berarti bahwa persamaan garis regresi yang diperoleh dapat
menerangkan 90,8% variasi kemampuan membaca subjek atau dengan kata lain persamaan garis regresi
tersebut sangat baik untuk memprediksi kemampuan membaca subjek. Hasil analisis statistik ditemukan
pula sebesar <0,0001 yang dapat diartikan bahwa terdapat hubungan/ korelasi yang bermakna secara
statistik antara diskriminasi visual dengan kemampuan membaca subjek dengan korelasi yang kuat
tersebut.(Ha diterima/Ho di tolak).
4. TB1 artinya pengukuran tinggi oleh A, TB2 artinya pengukuran tinggi oleh B
Lakukan uji perbedaan hasil pengukuran tinggi oleh A dan B pada sample (orang) yang
sama, dan lengkapi hasilnya dengan grafik dari interpretasi hasil
Jawaban :
Hipotesa :
Klik Analyze --> decriptive statistics --> explore --> masukkan variabel hasil pengukuran tinggi oleh A dan
B ke kotak dependent list --> klik plot dan centang normality plots with test saja--> ok
Didapatkan Nilai Skewness/standar error sebagai berikut :
Dari kedua hasil diatas didapatkan bahwa berdasarkan hasil analisis normalitas data terlihat bahwa hasil
uji Kolmogorov smirnov > 0,05 dan penilaian skewness/standar error < dari 2 pada kedua variabel. Maka
dapat disimpulkan kedua variabel terdistribusi normal. Maka analisis statistik yang digunakan untuk
membandingkan rata – rata kedua hasil pengukuran tinggi yang dilakukan oleh A dan B dengan
menggunakan uji T dependen / T test berpasangan, dengan Langkah – Langkah :
Klik Analyze --> compare means--> paired sample t test--> masukkan variabel TB1 ke variable 1 dan TB2
ke variable 2 --> ok
Semua hasil yang didapatkan dimasukkan dalam table dengan hasil sebagai berikut :
5. Lakukan uji perbedaan panjang lahir menurut Jenis kelamin, dan lengkapi hasilnya dengan grafik
dari interpretasi hasil
Jawaban :
Hipotesa :
H0 = Tidak ada perbedaan panjang lahir antara laki - laki dan perempuan
Ha= Terdapat perbedaan panjang lahir antara laki - laki dan perempuan
Klik Analyze --> decriptive statistics --> explore --> masukkan variabel Panjang lahir ke kotak dependent
list --> klik plot dan centang normality plots with test saja--> ok
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Dari kedua hasil diatas didapatkan bahwa berdasarkan hasil analisis normalitas uji Kolmogorov smirnov <
0,05 dan penilaian skewness/standar error > dari 2 pada kedua variabel. Maka dapat disimpulkan kedua
variabel tidak terdistribusi normal. Maka analisis statistik yang digunakan untuk membandingkan
median/nilai tengah panjang lahir antara laki - laki dan perempuan dengan menggunakan uji Mann-
Whitney Test,dengan Langkah – Langkah :
Analyze nonparametric test legacy dialogs 2 independent sample test masukkan Panjang lahir
ke kotak test variable list dan jenis kelamin ke gouping variable dengan memasukkan kodingan 1 = 1 dan
2=2 ok
Selanjutnya untuk mendapatkan nilai median dan minimum maksimum yaitu :
Klik Analyze --> decriptive statistics --> explore --> masukkan variabel Panjang lahir ke kotak dependent
list dan jenis kelamin ke factor list --> ok
Semua hasil yang didapatkan dimasukkan dalam table dengan hasil sebagai berikut :