ANALISIS SPSS

Pembimbing :
Dr. dr. Mexitalia, Sp.A(K)

Vetty Kurniawati
Andika Retno Ayuni
Muhammad Aidil Ilham
PERTANYAAN
Analisis uni variat untuk distribusi data, bila tidak normal lakukan transformasi.
Bila dengan transformasi data tetap tidak normal, gunakan non parametric
pada data yang tidak normal saja
 1

Apakah ada perbedaan rerata presentase lemak tubuh antara laki-laki dan
perempuan
• 2 Variabel: persentase lemak tubuh dan sex
• Variabel persentase lemak tubuh  data numeric
• Variabel sex (Male, Female)  data kategorik

• Data numeric  dinilai distribusi data normal atau tidak

DISTRIBUSI DATA % LEMAK TUBUH
• Koefisien varians = (standar deviasi
/mean) x 100% = 5,8877/20,594 x
100% = 28,6 % (N < 30%  Normal)
• Rasio skewness = skewness/standar
error of skewness = -0,179/0,072 =
- 2,48 (N -2 s.d 2  Tidak Normal)
• Rasio kurtosis = kurtosis/standar error
of kurtosis = -0,312/0,144 = - 2,17
(N -2 s.d 2  Tidak Normal)
 MELIHAT DISTRIBUSI DATA % LEMAK TUBUH SECARA
DESCRIPTIVE

Data menyebar di sekitar garis, akan tetapi terdapat

Tidak simetris, ada yang terlalu tinggi ada yang terlalu beberapa data yang letaknya jauh dari garis.
rendah. Kemungkinan besar distribusi data tidak normal Kemungkinan besar distribusi data tidak normal
 MELIHAT DISTRIBUSI DATA % LEMAK TUBUH SECARA
DESCRIPTIVE

Median tidak tepat di tengah kotak, whisker relative

Terlihat banyak data yang letaknya jauh dari garis. simetris, terdapat data outlier. Kemungkinan besar
Kemungkinan besar distribusi data tidak normal distribusi data tidak normal
MELIHAT DISTRIBUSI DATA % LEMAK TUBUH SECARA
ANALITIS

Pilih Kolmogorof-Smirnov (>50) atau Saphiro-Wilk(≤50)

Jumlah data = 1146  Kolmogorov-Smirnov
P = 0,000 ( Dianggap distribusi data normal jika P > 0,05  Distribusi data
tidak normal)
Distribusi data % lemak tubuh tidak normal  usaha untuk
menormalkan distribusi data  transformasi data
DISTRIBUSI DATA % LEMAK TUBUH SETELAH DI-TRANSFORM
• Koefisien varians = (standar deviasi
/mean) x 100% = (0,14/1,3)x 100%
= 10,8 % (N < 30%  Normal)
• Rasio skewness = skewness/standar
error of skewness = -1,043/0,072 =
- 14,5 (N -2 s.d 2  Tidak Normal)
• Rasio kurtosis = kurtosis/standar error
of kurtosis = 1,172/0,144 = 8,14
(N -2 s.d 2  Tidak Normal)
DISTRIBUSI DATA % LEMAK TUBUH SETELAH DI-TRANSFORM

Data menyebar di sekitar garis, akan tetapi terdapat

Tidak simetris, ada yang terlalu tinggi ada yang terlalu beberapa data yang letaknya jauh dari garis.
rendah. Kemungkinan besar distribusi data tidak normal Kemungkinan besar distribusi data tidak normal
DISTRIBUSI DATA % LEMAK TUBUH SETELAH DI-TRANSFORM

Median tidak tepat di tengah kotak, whisker relative

Terlihat banyak data yang letaknya jauh dari garis. simetris, terdapat data outlier. Kemungkinan besar
Kemungkinan besar distribusi data tidak normal distribusi data tidak normal
DISTRIBUSI DATA % LEMAK TUBUH SETELAH DI-TRANSFORM

Pilih Kolmogorof-Smirnov (>50) atau Saphiro-Wilk (≤50)

Jumlah data = 1146  Kolmogorov-Smirnov
P = 0,000 ( Dianggap distribusi data normal jika P > 0,05  Distribusi data
tidak normal)
• Uji hipotesis komparatif antara
Variabel % lemak tubuh  data numerik distribusi tidak normal
Variabel sex (laki laki dan perempuan)  data kategorik

Menggunakan Uji Non Parametric  Mann-Whitney

UJI MANN-WHITNEY

• P = 0,000  p < 0,05  Terdapat

perbedaan bermakna antara rerata
presentase lemak tubuh antara laki-
laki dan perempuan
 2

Apakah ada hubungan antara Indeks Massa Tubuh (BMI) dengan tekanan
darah ( semua jenis kelamin, laki-laki dan perempuan)
• 2 Variabel: Indeks Massa Tubuh (BMI) dan Tekanan darah
• Variabel Indeks Massa Tubuh (BMI)  data numeric
• Variabel Tekanan darah (Tidak hipertensi dan hipertensi)  data kategorik

• Data numeric  dinilai distribusi data normal atau tidak

DISTRIBUSI DATA BMI (DESKRIPTIF)
• Koefisien varians = (standar deviasi
/mean) x 100% = 4,64/20,94x
100% = 22,16% (N < 30% 
Normal)
• Rasio skewness = skewness/standar
error of skewness = 1,149/0,072 =
15,96 (N -2 s.d 2  Tidak Normal)
• Rasio kurtosis = kurtosis/standar
error of kurtosis = 2,155/0,144 =
14,96 (N -2 s.d 2  Tidak Normal)
 DISTRIBUSI DATA BMI (DESKRIPTIF)

Data menyebar di sekitar garis, akan tetapi terdapat

Tidak simetris, ada yang terlalu tinggi ada yang terlalu beberapa data yang letaknya jauh dari garis.
rendah. Kemungkinan besar distribusi data tidak normal Kemungkinan besar distribusi data tidak normal
 DISTRIBUSI DATA BMI (DESKRIPTIF)

Median tidak tepat di tengah kotak, whisker tidak simetris,

Terlihat banyak data yang letaknya jauh dari garis. terdapat data outlier dan nilai ekstrem. Kemungkinan
Kemungkinan besar distribusi data tidak normal besar distribusi data tidak normal
DISTRIBUSI DATA BMI (ANALITIS)

Pilih Kolmogorof-Smirnov (>50) atau Saphiro-Wilk(≤50)

Jumlah data = 1146  Kolmogorov-Smirnov
P = 0,000 ( Dianggap distribusi data normal jika P > 0,05  Distribusi data
tidak normal)
Distribusi data Indeks Massa Tubuh (BMI) tidak normal 
usaha untuk menormalkan distribusi data  transformasi
data
DISTRIBUSI DATA BMI SETELAH DI-TRANSFORM
• Koefisien varians = (standar deviasi
/mean) x 100% = (0,09/1,3)x
100% = 6,92% (N < 30% 
Normal)
• Rasio skewness = skewness/standar
error of skewness = 0,482/0,072 =
6,69 (N -2 s.d 2  Tidak Normal)
• Rasio kurtosis = kurtosis/standar
error of kurtosis = 0,101/0,144 =
0,70 (N -2 s.d 2  Normal)
DISTRIBUSI DATA BMI SETELAH DI-TRANSFORM

Data menyebar di sekitar garis, akan tetapi terdapat

Tidak simetris, ada yang terlalu tinggi ada yang terlalu beberapa data yang letaknya jauh dari garis.
rendah. Kemungkinan besar distribusi data tidak normal Kemungkinan besar distribusi data tidak normal
DISTRIBUSI DATA BMI SETELAH DI-TRANSFORM

Median tidak tepat di tengah kotak, whisker relative

Terlihat banyak data yang letaknya jauh dari garis. simetris, terdapat data outlier. Kemungkinan besar
Kemungkinan besar distribusi data tidak normal distribusi data tidak normal
DISTRIBUSI DATA BMI SETELAH DI-TRANSFORM

Pilih Kolmogorof-Smirnov (>50) atau Saphiro-Wilk (≤50)

Jumlah data = 1146  Kolmogorov-Smirnov
P = 0,000 ( Dianggap distribusi data normal jika P > 0,05  Distribusi data
tidak normal)
• Uji hipotesis korelasi antara
Variabel Indeks Massa Tubuh (BMI) data numerik distribusi tidak normal
Variabel Tekanan darah (Tidak hipertensi dan hipertensi)  data kategorik

Menggunakan Uji Non Parametric  Mann-Whitney

UJI MANN-WHITNEY
• P = 0,000  p < 0,05  Terdapat
korelasi yang bermakna antara
Indeks Massa Tubuh (BMI) dengan
Tekanan darah
 3

Apakah ada hubungan antara persentase lemak tubuh dengan lingkar

pinggang (waist)
• 2 Variabel: persentase lemak tubuh dan lingkar pinggang (waist)
• Variabel persentase lemak tubuh data numeric
• Variabel lingkar pinggang (waist) data numeric

• Data numeric  dinilai distribusi data normal atau tidak

DISTRIBUSI DATA PERSENTASE LEMAK TUBUH DAN
LINGKAR PINGGANG/WAIST (ANALITIS)

Pilih Kolmogorof-Smirnov (>50) atau Saphiro-Wilk(≤50)

Jumlah data = 1146  Kolmogorov-Smirnov
P = 0,000 ( Dianggap distribusi data normal jika P > 0,05  Distribusi data
tidak normal)
Distribusi data persentase lemak tubuh dan lingkar
pinggang/waist tidak normal  usaha untuk menormalkan
distribusi data  transformasi data
DISTRIBUSI DATA PERSENTASE LEMAK TUBUH DAN LINGKAR
PINGGANG/WAIST SETELAH DI-TRANSFORM

Pilih Kolmogorof-Smirnov (>50) atau Saphiro-Wilk (≤50)

Jumlah data = 1146  Kolmogorov-Smirnov
P = 0,000 ( Dianggap distribusi data normal jika P > 0,05  Distribusi data
tidak normal)
• Uji hipotesis korelasi antara
Variabel persentase lemak tubuh  data numerik distribusi tidak normal
Variabel lingkar pinggang/waist data numerik distribusi tidak normal

Menggunakan Uji Non Parametrik  Uji Spearman

UJI SPEARMAN
• P = 0,000  p < 0,05  Terdapat
korelasi yang bermakna antara
persentase lemak tubuh dan lingkar
pinggang/waist.
• Nilai korelasi spearman sebesar 0,551
menunjukkan bahwa arah korelasi
positif dengan kekuatan korelasi
sedang (sedang: 0,4 s.d <0,6)
 4

Apakah ada hubungan antara status gizi dengan aktivitas fisik

• 2 Variabel: status gizi dan aktivitas fisik
• Variabel status gizi data kategorik
• Variabel aktivitas fisik data kategorik

• Melakukan uji hipotesis komparatif kategorik tidak berpasangan  Uji Chi-

Square
UJI CHI-SQUARE

Tidak ada nilai expected yang kurang dari 5  uji

chi-square layak digunakan

p < 0,05  Terdapat hubungan bermakna antara

status gizi dengan aktivitas fisik
 5

Apakah ada hubungan antara status gizi dengan hipertensi

• 2 Variabel: status gizi dan hipertensi
• Variabel status gizi data kategorik
• Variabel hipertensi data kategorik

• Melakukan uji hipotesis komparatif kategorik tidak berpasangan  Uji Chi-

Square
 6

Apakah ada hubungan antara obesitas dengan hipertensi setelah

mempertimbangkan lingkar pinggang, persentase lemak, dan aktivitas fisik
(multivariate)
UJI CHI-SQUARE

Tidak ada nilai expected yang kurang dari 5  uji

chi-square layak digunakan

p < 0,05  Terdapat hubungan bermakna antara

status gizi dengan aktivitas fisik
• 2 Variabel: status gizi dan hipertensi
• Variabel status gizi data kategorik
• Variabel hipertensi data kategorik

• Melakukan uji hipotesis komparatif kategorik tidak berpasangan  Uji Chi-

Square
UJI CHI-SQUARE