Musafaah, SKM, MKM

Eksplanasi

Verifikatif
(Simetris)

(Asimetris)
 DataKategorikal : Bar chart, Pie Chart,
Pareto.

 DataNumerik : Grafik line, Scatter diagram,

order ray, Steam and Leaf, tabel kontingensi
Teknik – teknik statistik yang didasarkan pada
populasi berdistribusi normal dan
membutuhkan data kuantitatif (interval dan
rasio)
 Distribusinormal
 Sampel diambil secara random
 Varians sama
 Skala pengukuran interval dan rasio
 Uji t
 Uji z
 Uji anova
 Regresi linier
 Uji korelasi Pearson
UJI KOLMOGOROV SMIRNOV = UJI LILLIEFOR
 Jika Nilai Prob. / Sig. > 5 %  Data Normal
 Jika Nilai Prob. / Sig. < 5 %  Data Tidak Normal

UJI SHAPIRO WILK

 Jika Nilai Prob. / Sig. > 5 %  Data Normal
 Jika Nilai Prob. / Sig. < 5 %  Data Tidak Normal
Buka ASI_ku.sav
Pilih menu Analyze -- Descriptive Statistics –
Explore – Plots
kemudian centang/pilih Normality plots with
tests.
 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

INGAT Apabila:
Nilai Sig < 0,05 Ho ditolak artinya distribusi tidak normal
Nilai Sig ≥ 0,05 Ho diterima artinya distribusi normal

Uji normalitas:
-bbibu dan bbbayi
 Contoh :
 Rumusan masalah : adakah perbedaan rata-rata berat badan
bayi lahir di Kota Banjarbaru antara ibu yang berpendidikan
rendah dengan yang tinggi?
 Variabel terikat: berat badan lahir (gram) ---numerik—data
harus normal
 Variabel bebas: pendidikan (2 kategori : tinggi dan rendah)

 Hypotesis : ada perbedaan rata-rata berat badan bayi lahir di

Kota Banjarbaru antara ibu yang berpendidikan rendah
dengan yang tinggi

 Uji statistik : uji T bebas (independen)

 Bukalah file pskm6.SAV

 Kita ingin mengetahui apakah ada perbedaan mean berat badan

antara perokok dengan tidak perokok,

 terlebih dahulu diuji apakah berat badan berdistribusi

normal/tidak?

 Kemudian pilih menu Analyze -- Descriptive Statistics – Explore –

Plots kemudian centang/pilih Normality plots with tests
Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

BB .134 36 .102 .955 36 .147

a. Lilliefors Significance Correction

 Kemudian menu utama, pilihlah: (pada SPSS
17.0) Analyze -- Compare Means ---
Independent samples T…
kemudian pilih bb pada test variabel (s)
Kemudian pilih merokok pada Grouping Variabel

Kemudian pilih Define Groups...

Define Groups ini untuk menjelaskan kode yang dipakai pada variabel
kategorik misalnya: 0 dan 1 atau 1 dan 2.
 Independent Samples Test

Levene's Test
for Equality of
Variances t-test for Equality of Means

95% Confidence
Interval of the
Difference

Sig. (2- Mean Std. Error

F Sig. t df tailed) Difference Difference Lower Upper

BB Equal variances .194 .663 -1.417 34 .166 -4.268 3.012 -10.389 1.854
assumed

Equal variances not -1.443 26.419 .161 -4.268 2.958 -10.343 1.808
assumed

Pada tabel terlihat pada tes Levene nilai sig 0,663 > 0,05, keputusannya
adalah Ho diterima yang artinya varians data sama.

INGAT:
Tes Levene:
•Apabila nilai sig ≥ 0,05 artinya varians data sama
•Apabila nilai sig < 0,05 artinya varians data berbeda
 Oleh karena varians data sama maka nilai sig untuk uji t dilihat adalah
0,166 > 0,05, keputusannya adalah Ho diterima yang artinya tidak ada
perbedaan mean berat badan antara perokok dan tidak perokok.

Uji t bebas
•Apabila nilai sig ≥ 0,05, Ho diterima artinya tidak ada perbedaan mean antara kedua variabel
•Apabila nilai sig < 0,05, Ho ditolak artinya ada perbedaan mean antara kedua variabel
 Contoh :
 Rumusan masalah : adakah perbedaan rata-rata skor
pengetahuan sebelum diberi penyuluhan dengan skor
pengetahuan sesudah diberi penyuluhan?

 Hypotesis : ada perbedaan rata-rata berat skor pengetahuan

sebelum diberi penyuluhan dengan skor pengetahuan sesudah
diberi penyuluhan

 Uji statistik : uji T berpasangan (dependen)

 Dari
2 hasil data dari responden/subyek yang
sama pada kondisi berbeda

 Darisubyek yang berbeda namun dipadankan

untuk karakteristik kunci tertentu , misalnya:
jenis kelamin dan umur

 Sepertipada: studi kasus-kontrol, atau uji

klinik dengan kelompok yang sepadan.
 Bukalah file uji t bbs.SAV

 Kita ingin mengetahui apakah ada perbedaan mean

pengukuran hb 1 dengan pengukuran hb2

 maka harus diuji terlebih dahulu hb1 dan hb2

berdistribusi normal/tidak

 Pilih menu Analyze -- Descriptive Statistics – Explore –

Plots kemudian centang/pilih Normality plots with
tests Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic Df Sig. Statistic df Sig.

kadar hb pengukuran 1 .160 10 .200* .952 10 .692

kadar hb pengukuran 2 .201 10 .200* .939 10 .539

a. Lilliefors Significance Correction

*. This is a lower bound of the true significance.

 Kemudian menu utama, pilihlah: (pada SPSS 17.0),
Analyze -- Compare Means --- Paired-samples T test…

 kemudian pindahkan hb1 dan hb2 ke paired variables

 Paired Samples Test

Paired Differences

95% Confidence Interval of

Std. Std. Error the Difference Sig. (2-

Mean Deviation Mean Lower Upper t df tailed)

Pair 1 kadar hb pengukuran 1 - kadar hb .1400 .6433 .2034 -.3202 .6002 .688 9 .509
pengukuran 2

Pada tabel terlihat nilai sig 0,509 > 0,05, keputusannya adalah Ho diterima yang
artinya tidak ada perbedaan mean kadar hb pada pengukuran 1 dengan kadar hb
pada pengukuran 2.

INGAT
Uji t berpasangan
•Apabila nilai sig ≥ 0,05, Ho diterima artinya tidak ada perbedaan mean antara kedua variabel
•Apabila nilai sig < 0,05, Ho ditolak artinya ada perbedaan mean antara kedua variabel
 Rumusan masalah : apakah ada perbedaan tinggi badan
anak yang signifikan antara ras A, B dan C ?

 Variabel terikat: tinggi badan (cm)---numerik---data

harus normal
 Variabel bebas: ras (3 kategori: A,B,C)

 Hypotesis : terdapat perbedaan tinggi badan anak yang

signifikan antara ras A, B dan C.

 Uji statistik : Anova

 digunakan untuk menguji apakah ada perbedaan
mean pada 3 atau lebih kelompok

 Apabila ada perbedaan pada salah satu kelompok,

uji statistik akan menunjukkan hasil yang
bermakna.

 Asumsi pengujian ANOVA :

1. Populasi yang akan diuji berdistribusi normal
2. Varians/ragam dan populasi yang diuji sama
3. Sampel tidak berhubungan satu dengan yang lain
 Bukalah file uji ujianova.SAV

 Kita ingin mengetahui apakah ada perbedaan upah buruh

berdasarkan pangkat golongan

 maka harus diuji terlebih dahulu upah buruh berdistribusi

normal/tidak

 Pilih menu Analyze -- Descriptive Statistics – Explore – Plots

kemudian centang/pilih Normality plots with tests
Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

upah buruh dalam jutaan .094 45 .200* .966 45 .210

a. Lilliefors Significance Correction

*. This is a lower bound of the true significance.

 Kemudian menu utama, pilihlah: Analyze --
Compare Means --- One-Way ANOVA…
 Kemudian lakukan pengisian terhadap :
- Kolom Dependent List : upah (variabel numerik)
- Kolom Factor : golongan (variabel kategorik)

Kolom Option :
•Statistics --Pilih Descriptive dan Homogeneity of variance
•Setelah pengisian tekan Continue
 Kolom Option :
•Statistics --Pilih Descriptive dan Homogeneity of variance
•Setelah pengisian tekan Continue

Kolom Post-Hoc
 Equal Variances Assumed, pilih Bonferroni
 Setelah pengisian, tekan Continue
 Test of Homogeneity of Variances

upah buruh dalam jutaan

Levene Statistic df1 df2 Sig.

.311 2 42 .734

Tes Levene adalah uji menguji apakah varians sama atau tidak, untuk dapat
memenuhi asumsi Anova. Pada tabel terlihat nilai sig pada Levene test
adalah 0,734 > 0,05, keputusannya adalah Ho diterima yang artinya varians
data sama. ANOVA

upah buruh dalam jutaan

Sum of Squares df Mean Square F Sig.

Between Groups 197.911 2 98.956 23.561 .000

Within Groups 176.400 42 4.200

Total 374.311 44

Pada tabel di atas terlihat nilai sig (0,000) < 0,05, keputusannya adalah
Ho ditolak yang artinya ada perbedaan mean upah buruh berdasarkan
golongan pangkatnya.
 Oleh karena ada perbedaan mean diantara ke-3 kelompok, apabila kita
ingin mengetahui lebih jelas antara kelompok mana yang berbeda, maka
digunakan uji selanjutnya yaitu uji Post Hoc dengan metode Bonferroni,
dengan hasil sebagai berikut:
Multiple Comparisons

upah buruh dalam jutaan

Bonferroni

(I) (J) Mean 95% Confidence Interval

golongan/pa golongan/pa Difference (I- Lower Upper

ngkat ngkat J) Std. Error Sig. Bound Bound

golongan 1 golongan 2 -3.267* .748 .000 -5.13 -1.40

golongan 3 -5.067* .748 .000 -6.93 -3.20

golongan 2 golongan 1 3.267* .748 .000 1.40 5.13

golongan 3 -1.800 .748 .062 -3.67 .07

golongan 3 golongan 1 5.067* .748 .000 3.20 6.93

golongan 2 1.800 .748 .062 -.07 3.67

*. The mean difference is significant at the 0.05 level.

Pada tabel di atas terlihat bahwa antara golongan 1 dengan golongan 2 berbeda
dengan nilai sig (0,000) < 0,05.
Selain itu, antara golongan 1 dengan golongan 3 berbeda dengan nilai sig (0,000) < 0,05.
 Rumusan masalah : Apakah ada pengaruh yang
signifikan antara berat badan ibu sebelum hamil
terhadap berat bayi lahir ?

 Variabelterikat: berat bayi lahir (gr)---numerik

---data harus normal

 Variabel
bebas: berat badan ibu sebelum hamil (gr)
---numerik---data harus normal

 Hipotesis
berat badan ibu sebelum hamil berpengaruh
terhadap berat bayi lahir.

 Uji statistik : Korelasi Pearson

 Korelasi Pearson digunakan untuk mengetahui koefisien korelasi
arah korelasi pada data yang berdistribusi normal, biasanya data
berbentuk interval dan rasio.

 Bukalah file uji pskm6.SAV

 Kita ingin mengetahui apakah ada korelasi antara tinggi badan

dan berat badan,

 maka harus diuji terlebih dahulu tinggi badan dan berat badan
berdistribusi normal/tidak

 Pilih menu Analyze -- Descriptive Statistics – Explore – Plots

kemudian centang/pilih Normality plots with tests
Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

TB .128 36 .144 .975 36 .591

BB .134 36 .102 .955 36 .147

a. Lilliefors Significance Correction

 Kemudian menu utama, pilihlah, Analyze -- Correlate ---
Bivariate…
  Kemudian masukkan TB dan BB ke kotak variables

Correlations

TB BB

TB Pearson 1 .322
Correlation Pada tabel terlihat nilai
Sig. (2-tailed) .056 sig (0,56) > 0,05,
N 36 36
keputusannya adalah Ho
BB Pearson .322 1
Correlation
diterima yang artinya tidak
Sig. (2-tailed) .056 ada korelasi/hubungan
N 36 36 antara TB dengan BB.
 Analisis regresi adalah analisis lanjutan dari korelasi.

 Menguji sejauh mana pengaruh variabel independen terhadap

variabel dependen setelah diketahui ada hubungan antara
variabel tersebut.

 Data harus interval/rasio dan berdistribusi normal.

 Regresi linier digunakan untuk meramalkan/memperkirakan

variabel dependen berdasarkan variabel independen yang telah
diketahui.

 Regresi linier menghasilkan suatu persamaan garis yang

digunakan untuk meramalkan.
 persamaan garis : y = a + bx
y = variabel dependen
x = variabel independen

 Bukalah file uji latihan1.SAV

 Kita tentukan terlebih dahulu variabel dependen

adalah panjang bayi dan variabel independen
adalah LILA bayi
 Maka harus diuji terlebih dahulu panjang bayi
dan LILA bayi berdistribusi normal/tidak

 Pilih menu Analyze -- Descriptive Statistics –

Explore – Plots kemudian centang/pilih
Normality plots with tests
Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

panjang bayi .155 20 .200* .957 20 .491

LILA Bayi .121 20 .200* .955 20 .443

a. Lilliefors Significance Correction

*. This is a lower bound of the true significance.

 Kemudian menu utama, pilihlah: (pada SPSS 17.0),
Analyze -- Regression --- Linier…
  Masukkan panjang bayi ke kotak dependent (variabel)
 Masukkan LILA bayi ke kotak independents (variabel)

Model Summary

Std. Error of the

Model R R Square Adjusted R Square Estimate

1 .586a .343 .307 3.2284

a. Predictors: (Constant), LILA Bayi

Lihat nilai R = 0,586 ini berarti bahwa korelasi antara variabel X (LILA bayi)
dengan Y (panjang bayi) adalah 0,586
  R square disebut juga dengan koefisien determinasi adalah
koefisien yang menjelaskan persentase variasi variabel
dependen (panjang bayi) yang dihasilkan dari persamaan
garis yang terbentuk.

 Pada tabel terlihat R square = 0,343 (34,3%) yang artinya

34,3 % dapat menjelaskan variasi panjang bayi dari
persamaan garis yang terbentuk.

ANOVAb

Sum of
Model Squares df Mean Square F Sig. Pada tabel terlihat nilai sig (0,007) < 0,05
1 Regression 98.147 1 98.147 9.417 .007a
yang artinya
persamaan garis regresi yang terbentuk dapat
Residual 187.602 18 10.422
digunakan
Total 285.749 19 untuk prediksi.
a. Predictors: (Constant), LILA Bayi

b. Dependent Variable: panjang bayi

 Coefficientsa

Unstandardized Standardized
Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 26.484 6.091 4.348 .000

LILA Bayi 1.806 .589 .586 3.069 .007

a. Dependent Variable: panjang bayi

Y (panjang bayi) = 26,48 + 1,81 X (LILA bayi)

Nilai b= 1,81 artinya panjang bayi akan bertambah sebesar 1,18 cm

bila LILA bayi bertambah setiap 1 cm.