Melalui fase
STATISTIKA DESKRIPTIF:
Berkenaan dengan pengumpulan, pengolahan, dan penyajian sebagian
atau seluruh data (pengamatan) tanpa pengambilan kesimpulan
dan fase
STATISTIKA INFERENSI:
Setelah data dikumpulkan, maka dilakukan berbagai metode statistik utk
menganalisis data, dan kemudian dilakukan interpretasi serta diambil
kesimpulan.
Statistika inferensi akan menghasilkan generalisasi (jika sampel
representatif).
Statistika & Metode Ilmiah
METODE ILMIAH:
Adalah salah satu cara mencari kebenaran yg bila ditinjau
dari segi penerapannya, risiko utk keliru paling kecil
LANGKAH-LANGKAH DALAM METODE ILMIAH:
1. Merumuskan masalah
2. Melakukan studi literatur
3. Membuat dugaan-dugaan, pertanyaan-pertanyaan atau hipotesis
5. Mengambil kesimpulan
INSTRUMEN
SAMPEL
SIFAT DATA
PERAN STATISTIKA
VARIABEL
METODE ANALISIS
DATA
DATA
NOMINAL INTERVAL
ORDINAL RASIO
DATA
DATA NOMINAL:
Data berskala nominal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi
CIRI: posisi data setara/sederajat/tdk bertingkat
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH: variabel jenis kelamin (kategori laki-laki & perempuan)
DATA ORDINAL:
Data berskala ordinal adalah data yang diperoleh dengan cara kategorisasi atau klasifikasi, tetapi
diantara data tersebut terdapat hubungan
CIRI: posisi data tdk setara/tdk sederajat/kategori yg bertingkat
tidak bisa dilakukan operasi matematika (+, -, x, :)
CONTOH: variabel tingkat pendidikan (kategori pendidikan rendah, pendidikan menengah,
pendidikan tinggi)
DATA INTERVAL:
Data berskala interval adalah data yang diperoleh dengan cara pengukuran, dimana jarak antara
dua titik skala sudah diketahui, variabel tdk mempunyai nilai nol alami
CIRI: tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH: suhu badan (nol derajat skala Celcius berbeda dgn nol derajat skala Fahrenheit)
DATA RASIO:
Data berskala rasio adalah data yang diperoleh dengan cara pengukuran, dimana jarak antara
dua titik skala sudah diketahui dan variabel mempunyai titik 0 (nol) absolut/alami
CIRI: tidak ada kategorisasi
bisa dilakukan operasi matematika
CONTOH: berat badan, tinggi badan, kadar glukosa darah, kadar kolesterol
Pengolahan Data
MULAI
Dilakukan Uji
Normalitas
TABEL UJI HIPOTESIS BIVARIAT
KETERANGAN:
1. Uji dengan tanda * merupakan uji parametrik
2. Tanda panah ke bawah menunjukkan uji alternatif jika
syarat uji parametrik tidak terpenuhi
3. Untuk hipotesis komparatif numerik, perlu
diperhatikan banyaknya kelompok
4. Untuk hipotesis komparatif kategorik tidak
berpasangan, pemilihan uji menggunakan “tabel B x
K”
5. Untuk hipotesis komparatif kategorik berpasangan,
pemilihan uji menggunakan “prinsip P x K”
Langkah-Langkah Penggunaan
Tabel Uji Hipotesis Bivariat
KESEPAKATAN:
Kategorik kualitatif
Numerik nonkategorik & kuantitatif
Program SPSS:
Digunakan istilah scale utk istilah
nonkategorik & kuantitatif
SKALA PENGUKURAN VARIABEL
SKALA PENGUKURAN
KATEGORIK / KUALITATIF NUMERIK /
NON KATEGORIK / KUANTITATIF
Nominal Interval
Contoh: Jenis Kelamin Contoh: Suhu tubuh
- Laki-laki
- Perempuan
Ordinal Rasio
Contoh: Contoh:
Tingkat Pendidikan - Berat badan
- Pendidikan rendah - Tinggi badan
- Pendidikan menengah - Kadar glukosa darah
- Pendidikan tinggi - Kadar kolesterol
Klasifikasi kadar kolesterol:
- Rendah
- Normal
- Tinggi
NOMINAL & ORDINAL (KATEGORIK)
CONTOH:
Jenis kelamin variabel
“laki-laki” dan “perempuan” kategori variabel
CONTOH:
Klasifikasi kadar kolesterol variabel
‘baik’, ‘sedang,’ ‘buruk’ kategori
Variabel rasio & interval disebut variabel numerik krn variabel tsb
tidak punya kategori variabel
Variabel Rasio:
Variabel punya nilai nol alami, ex: TB, BB, jarak
Variabel Interval:
Variabel tidak punya nilai nol alami, ex: suhu (nol derajat pd skala
Celcius berbeda dgn nol derajat pd skala Fahrenheit)
Istilah kedua:
Jenis hipotesis
Uji Parametrik
Tiga Skala
syarat penguk Distrib
Varian
yg perlu uran usi
diperhat s data
variabe data
ikan l
Uji Nonparametrik
Uji nonparametrik digunakan utk keadaan sbb:
1. Jika masalah skala pengukuran variabel adalah kategorik (ordinal &
nominal).
2. Jika data dengan masalah skala pengukuran numerik tetapi tdk
memenuhi syarat utk uji parametrik (misalnya distribusi data tidak
normal), maka dilakukan uji nonparametrik yg merupakan alternatif
dari uji parametriknya (Lihat tanda panah pada tabel uji hipotesis).
M
ak
a
va
ria
ns
da
ri
da
ta
yg
di
uji
ad
al
ah
sa
m
a
Istilah ketujuh:
Tabel B x K
Tabel di atas disebut tabel 3x3 jumlah baris ada 3 dan jumlah kolom ada 3
Baris ada 3 tingkat pendidikan dibagi menjadi 3 kategori (rendah, sedang, tinggi)
Kolom ada 3 tingkat pengetahuan dibagi menjadi 3 kategori (rendah, sedang,
tinggi)
Persilangan antara satu kategori dengan kategori lain SEL
Pada tabel 3x3, terdapat 9 sel yg diberi nama mulai dari sel a s.d sel i
Variabel tingkat pendidikan & tingkat pengetahuan merupakan variabel kategorik
Hubungan antara 2 buah variabel ordinal tsb dapat disajikan dlm bentuk tabel
silang (tabel BxK)
Istilah ketujuh:
Prinsip P x K
Tabel di atas sbg contoh prinsip 2x2 jumlah pengulangan ada 2 dan jumlah
kategori ada 2
Pengulangan ada 2 pengetahuan diukur 2 kali, yaitu saat sebelum & setelah
penyuluhan
Kategori ada 2 variabel pengetahuan dikelompokkan menjadi 2 kategori, yaitu
baik & buruk
Dengan demikian:
1.Bila pengukuran dilakukan sebanyak 3 kali & kategori variabel sebanyak 2 kategori
prinsip P x K yg terjadi adalah 3 x 2
2.Bila pengukuran dilakukan sebanyak 2 kali & kategori variabel sebanyak 3 kategori
prinsip P x K yg terjadi adalah 2 x 3
RESUME ANALISIS BIVARIAT
Hipotesis komparatif
Variabel numerik
Sebaran Normal?
YA TIDAK
UJI NON
Jumlah
Varians? PARAMETRIK
kelompok?
> 2 Kelompok
Berpasangan Tidak Berbeda
Berpasangan
2 Kelompok Sama
Varians?
Sama Berbeda
UJI PARAMETRIK
YANG SESUAI
(2) Resume Uji Hipotesis Komparatif
Variabel Ordinal
TABEL B x K
KETERANGAN
Diagram Alur Uji Hipotesis Variabel Kategorik Kelompok Tidak Berpasangan
Contoh output SPSS untuk tabel 2 x 2 dengan menampilkan nilai observed dan nilai
expected-nya
Hubungan antara perilaku merokok dengan status fertilitas
Status Fertilitas Total
Fertil Infertil
Perilaku merokok Tidak merokok Count 35 15 50
Expected count 27.5 22.5 50.0
Merokok Count 20 30 50
Expected count 27.5 22.5 50.0
Total Count 55 45 100
Expected count 55.0 45.0 100.0
KETERANGAN
Pada sel a, nilai observed-nya (lihat pada lajur count) adalah 35 sedangkan nilai expected-nya (lihat
pada lajur expected count) adalah 27,5.
Pada sel b, nilai observed-nya adalah 15 sedangkan nilai expected-nya adalah 22,5 dan seterusnya
untuk sel lainnya.
(3) Resume Uji Hipotesis Komparatif
Kategorik Tidak Berpasangan dalam Bentuk Tabel B x K
Sebagai contoh:
Nilai expected sel a = Total Baris x Total Kolom = 50 x 55 =
27,5
Total Sampel 100
Hipotesis komparatif
Kategorik berpasangan
(prinsip P x K)
Jumlah pengulangan?
2 >2
Jumlah kategori?
KESIMPULAN:
1. Jika jumlah pengulangan 2 dan jumlah kategori 2 maka uji yg
digunakan adalah uji McNemar.
2. Jika jumlah pengulangan 2 dan jumlah kategori > 2 maka uji
yg digunakan adalah uji Marginal Homogeneity atau Wilcoxon.
3. Jika jumlah pengulangan > 2 dan jumlah kategori 2 maka uji
yg digunakan adalah uji Cochran.
4. Jika jumlah pengulangan > 2 dan jumlah kategori > 2 maka uji
yg digunakan adalah uji Friedman.
(5) Resume Hipotesis Korelatif
KETERANGAN:
Korelasi utk variabel numerik, memakai uji Pearson dengan uji
Spearman sbg alternatifnya
(5) Resume Hipotesis Korelatif
Diagram Alur Pemilihan Uji Hipotesis Korelatif utk
Variabel Numerik
Sebaran normal?
YA TIDAK
KETERANGAN:
Tanda panah melengkung menunjukkan usaha yg dilakukan utk menormalkan
distribusi data dari tidak normal menjadi normal (proses transformasi data).
ANALISIS MULTIVARIAT
Bila variabel
Regresi
●
terikatnya berupa
logistik variabel kategorik
Bila variabel
Regresi
●
terikatnya berupa
linier variabel numerik
LATIHAN
Kasus 1
Apakah terdapat perbedaan rerata Indeks Massa Tubuh (IMT) antara kelompok
status ekonomi tinggi dibandingkan kelompok ekonomi rendah?
JAWAB:
Langkah-langkah utk menjawab pertanyaan tsb adalah sbb:
Langkah Jawaban Uji yg mungkin
1 Menentukan variabel yg Variabel yg dihubungkan
dihubungkan adalah IMT (numerik) dgn
kelompok ekonomi
(kategorik)
Nama ●
String
Jenis Kelamin ●
Kategorik nominal
Nilai ●
Kategorik ordinal
Umur ●
Numerik
Pengisian Variable View untuk variabel nama
Aktifkan data view isilah sesuai dengan data Bila yg Anda pilih pd menu view adalah view
pd kasus yg diberikan labels, maka tampilan yg akan muncul adalah
Jika sudah selesai, simpan file dengan nama: sbb:
Latihan 1(file save as latihan 1)
Bila Anda mengisi dengan benar, pada data
view, Anda akan memperoleh hasil sbb:
Latihan 2
Melakukan Perubahan Data dari
Satu Skala ke Skala Lain
Kasus
Dari data yg telah diperoleh pada latihan 1, Anda ingin mengategorikan umur
responden yg berumur < 20 thn, 20-22 thn, dan > 22 thn (Anda merubah
variabel numerik menjadi variabel ordinal)
Dengan logika tsb, isilah old value dan new value sbb:
o Old value: range lowest through 19, new value: 1, klik Add
o Old value: range 20 through 22, new value: 2, klik Add
o Old value: 23 through highest, new value: 3, klik Add
Langkah membuat tabel frekuensi & grafik merupakan langkah yg sangat penting
agar Anda mengetahui karakteristik data variabel kategorik.
Kasus
Anda melakukan penelitian serta sudah mengumpulkan & memasukkan data
ke SPSS. Salah satu variabel adalah jenis kelamin. Karena Anda mengetahui
bahwa skala pengukuran variabel jenis kelamin adalah nominal, maka Anda
ingin mengetahui distribusi jenis kelamin dlm bentuk tabel & grafik.
Klik Continue
Proses selesai, klik OK
Latihan 3
Membuat Deskripsi Variabel Kategorik
Bagaimana hasilnya?
Output SPSS
Interpretasi Hasil
Langkah membuat deskripsi variabel dengan skala pengukuran numerik merupakan langkah yg
sangat penting agar Anda mengetahui karakteristik data yg Anda miliki.
Kasus
Anda melakukan penelitian serta sudah mengumpulkan & memasukkan data
ke SPSS. Salah satu variabel adalah jenis kelamin. Salah satu variabel yg Anda
ukur adalah variabel body mass index (BMI). Karena Anda mengetahui bahwa
BMI adalah variabel numerik, maka Anda ingin mengetahui deskripsi variabel
tsb berdasarkan ukuran pemusatan & ukuran penyebarannya serta penyajian
dlm bentuk histogram.
Proses telah
selesai, klik
Continue
Klik OK
Latihan 4
Membuat Deskripsi Variabel Numerik
Bagaimana hasilnya?
Output SPSS
Interpretasi Hasil
Kasus
Anda melakukan penelitian serta sudah mengumpulkan & memasukkan data
ke SPSS. Salah satu variabel yg Anda ukur adalah variabel umur. Di sini, Anda
ingin mengetahui apakah variabel umur responden mempunyai distribusi
normal atau tidak.
Bagaimana hasilnya?
Output SPSS
Interpretasi Hasil
Menilai Distribusi Data secara Deskriptif (menghitung & melihat)
Melihat histogram
Secara teoritis, suatu set data dikatakan mempunyai distribusi normal apabila data
tersebar di sekitar garis
INTERPRETASI:
Terlihat bahwa data menyebar di sekitar garis, akan tetapi terdapat beberapa data yg
letaknya jauh dari garis kemungkinan besar, distribusi data tidak normal
Melihat Detrended normal Q-Q
Secara teoritis, suatu set data dikatakan mempunyai distribusi normal apabila data
tersebar di sekitar garis (angka nol)
INTERPRETASI:
Terlihat bahwa banyak sekali data yg letaknya jauh dari garis kemungkinan besar,
distribusi data tidak normal
Nilai di atas garis adalah
Melihat boxplot nilai ekstrem atas
Persentil 75
Whisker Hspread
Persentil 50
Persentil 25
Keterangan:
Kotak besar mengandung 50% data yaitu dari persentil 25 s.d persentil 75. Garis tebal
pd tengah kotak merupakan median (persentil 50). Wilayah ini dinamakan hspread.
Data 1,5 hspread disebut whisker.
Nilai > 1,5 hspread disebut data outlier (diberi tanda o).
Nilai > 3 hspread disebut data ekstrem (diberi tanda *).
Melihat boxplot
Secara teoritis, suatu set data dikatakan mempunyai distribusi normal apabila:
1. Nilai median ada di tengah-tengah kotak.
2. Nilai whisker terbagi secara simetris ke atas & ke bawah.
3. Tidak ada nilai eksterm atau outlier.
umur responden
INTERPRETASI:
Terlihat bahwa median terletak agak ke bawah kotak, whisker relatif simetris, terdapat
data outlier kemungkinan besar, distribusi data tidak normal
Latihan 5
Mengetahui Suatu Data Berdistribusi Normal atau Tidak
Bagaimana hasilnya?
Output SPSS
Interpretasi Hasil
Menilai Distribusi Data Analitis
Uji Kolmogorov- ●
Digunakan utk sampel > 50
Smirnov
Uji Shapiro- ●
Digunakan utk sampel ≤ 50
Wilk
Latihan 5
Mengetahui Suatu Data Berdistribusi Normal atau Tidak
Kesimpulan Distribusi Data Normal atau Tidak Berdasarkan Beberapa Parameter Penilaian
Parameter Hasil Observasi Kriteria Normal Kesimpulan
Distribusi Data
Koefisien varians 14,5% < 30% Normal
Rasio skewness 4,04 -2 s.d 2 Tidak normal
Rasio kurtosis 1,12 -2 s.d 2 Normal
Histogram* Sedikit miring ke kiri Simetris, tidak miring kiri Tidak normal
maupun kanan, tidak
terlalu tinggi atau terlalu
rendah
Boxplot* Sedikit tidak simetris Simetris, median tepat Tidak normal
terdapat outlier tengah, tdk ada outlier
atau nilai ekstrim
Normal Q-Q plots* Terdapat data yg tidak Data menyebar sekitar Tidak normal
berada di sekitar garis garis
Detrended Q-Q plots* Banyak data yg tidak Data menyebar sekitar Tidak normal
berada di sekitar garis garis pd nilai 0
Kolmogorov-Smirnov p = 0,000 p > 0,05 Tidak normal
Interpretasi Hasil
a. Menguji varians
Pada kotak Levene’s test (nama uji hipotesis utk menguji varians), nilai sig = 0,000. Karena nilai
p < 0,05 maka varians data kedua kelompok tidak sama. Ingat, utk variabel 2 kelompok tidak
berpasangan, kesamaan varians tidak menjadi syarat mutlak.
b. Karena varians tidak sama, maka utk melihat hasil uji t memakai hasil pada baris kedua (equal
varians not assumed).
c. Angka Significancy pada baris kedua (0,000) dengan perbedaan rerata (means difference)
sebesar -50,125.
d. Nilai IK 95% adalah antara -52,956 sampai -47,295.
e. Karena nilai p < 0,05 maka disimpulkan “terdapat perbedaan rerata skor ansietas yg
bermakna antara kelompok ibu yg proses melahirkan didampingi suami dan yg tidak
didampingi suami, dimana skor ansietas didampingi suami lebih rendah daripada tidak
didampingi suami” atau “rerata skor ansietas kelompok ibu yg proses melahirkan
didampingi suami lebih rendah secara bermakna dibandingkan tidak didampingi suami.”
Melaporkan Hasil
Tabel 3 Hasil uji t tidak berpasangan dengan melaporkan nilai interval kepercayaan
n Rerata±s.b Perbedaan Rerata (IK 95%)
Interpretasi Hasil
a. Bagian Paired Samples Statistics menggambarkan deskripsi masing-masing variabel.
b. Tabel Paired Samples Test menggambarkan hasil uji t berpasangan. Lihat kolom sig. (2 tailed).
Diperoleh nilai Significancy 0,000 (p < 0,05) “terdapat perbedaan rerata BMI yg bermakna
sebelum dan setelah satu bulan penyuntikan testosteron.”
c. Nilai IK 95% adalah antara -5,913 sampai -5,295.
Melaporkan Hasil
Uji t berpasangan
Uji t berpasangan
Tabel 3 Hasil uji t berpasangan dengan melaporkan nilai interval kepercayaan tanpa simpang baku perbedaan rerata
n Rerata±s.b Perbedaan Rerata
(IK 95%)
BMI sebelum penyuntikan testosteron 50 18,39±0,77 5,60
(5,29–5,91)
BMI setelah penyuntikan testosteron 50 23,99±0,89
Uji t berpasangan
Melaporkan Hasil
Tabel 4 Hasil uji t berpasangan dengan melaporkan nilai interval kepercayaan dengan simpang baku perbedaan rerata
Uji t berpasangan
1. Uji normalitas
Bukalah file: ANOVA. Lihat terlebih dahulu bagian Variable View.
Lakukanlah uji normalitas utk data kadar glukosa darah kelompok
ekonomi rendah, sedang, dan tinggi. Jangan lupa utk memasukkan
variabel tingkat ekonomi ke dalam kotak Factor List.
Interpretasi Hasil:
1. Bagian pertama adalah statistik deskriptif utk variabel kadar glukosa darah
berdasarkan masing-masing kelompok data. Ingat prinsip bahwa Anda harus
selalu mempelajari deskripsi variabel sebelum melangkah pada proses
selanjutnya.
2. Pada Test of Normality, terlihat bahwa nilai Significancy utk masing-masing
kelompok semuanya > 0,05. Bagaimana kesimpulan Anda?
3. Karena nilai p utk ketiga kelompok data adalah > 0,05 disimpulkan bahwa
distribusi ketiga kelompok data adalah normal.
2. Uji varians dan melihat hasil ANOVA
Langkah-langkah melakukan uji varians
Analyze Compare means One-way ANOVA.
Masukkan variabel glukosa ke dalam Dependent List.
Masukkan variabel obat ke dalam Factor List.
TIDAK VALID
Interpretasi Hasil
a. Significancy Test Homogeneity of Variances menunjukkan angka 0,000 (p < 0,05). Oleh karena p
< 0,05 disimpulkan bahwa “paling tidak terdapat dua kelompok yg mempunyai varians
data yg berbeda secara bermakna.”
b. Karena varians data data tidak sama, maka hasil uji ANOVA pada tabel berikutnya tidak valid.
Mengapa? Ingat: syarat uji one way ANOVA utk kelompok tidak berpasangan, varians data harus
sama.
c. Oleh karena varians data tidak sama, maka Anda harus melakukan transformasi data agar
varians data sama.
3. Mencari bentuk transformasi
Langkah-langkah untuk memperoleh bentuk transformasi:
Analyze Descriptive statistics Explore.
Masukkan variabel glukosa ke dalam Dependent List.
Masukkan variabel class ke dalam Factor List.
Pilih Plots pada kotak Display List.
Interpretasi Hasil
Nilai slope dan nilai power adalah panduan utk menentukan jenis
transformasi.
Panduan mencari bentuk transformasi terbaik dengan memperhitungkan
faktor slope dan power
Slope Power Bentuk transformasi
-1 2 Square (kuadrat)
0 1 Tidak perlu transformasi
0,5 0,5 Square root (akar kuadrat)
1 0 Logaritma
1,5 -0,5 1/Square root
2 -1 Reciprocal (1/n)
Karena nilai slope dan power yg diperoleh adalah 1,429 dan -0,429 berdasarkan tabel
di atas, bentuk anjuran transformasi yg terbaik adalah 1/Square root.
Catatan:
Utk mentransformasi data supaya mempunyai varians yg sama, terdapat
panduan yaitu dengan memperhatikan nilai slope & nilai power.
Utk mentransformasi data supaya mempunyai distribusi normal, tidak
terdapat panduan pasti harus dilakukan beberapa kali percobaan
transformasi data.
4. Melakukan transformasi data
Langkah-langkah untuk transformasi data:
Transform Compute Variable.
Ketik trn_glukosa pada Target Variable (sbg nama variabel baru).
Pindahkan Sqrt dari kotak Function ke kotak Numeric Expression dengan mengklik tanda
panah.
Tampak ada kolom berkedip.
Masukkan variabel glukosa ke dlm kolom berkedip dengan mengklik tanda panah tampil
Sqrt(glukosa).
Lalu ketik 1/sebelum SQRT(glukosa) tertulis: 1/SQRT(glukosa) yg berarti 1/square root.
Proses telah selesai, klik OK.
Akan muncul variabel baru dengan nama trn_glukosa di kolom paling kanan
Data View.
5. Melakukan uji varians untuk variabel hasil transformasi
Langkah-langkah:
Analyze Compare Means One-way ANOVA.
Masukkan variabel tran_glukosa ke dlm Dependent List.
Masukkan variabel class ke dlm Factor List.
Aktifkan kotak Options.
Pilih Homogeneity of Variance (utk menguji varians data).
Klik Continue, klik OK.
Output SPSS
VALID
Interpretasi Hasil
a. Menilai varians
Pada uji varians, diperoleh nilai p = 0,142. Karena nilai p > 0,05 disimpulkan bahwa
“tidak ada perbedaan varians antara kelompok data yg dibandingkan” dengan kata
lain “varians data adalah sama.”
b. Menilai hasil uji ANOVA
Karena varians data sama, maka uji ANOVA pada tabel berikutnya adalah valid. Pada uji
ANOVA, diperoleh nilai p = 0,000 yg artinya “paling tidak terdapat perbedaan kadar
glukosa darah yg bermakna pada dua kelompok.”
Pada kelompok manakah terdapat perbedaan yg bermakna itu ada?
Interpretasi Hasil
Dengan melihat hasil analisis Post Hoc, diperoleh hasil:
Kelompok ekonomi tinggi dengan sedang, p = 0,000; IK 95% tidak tercakup angka 0.
Kelompok ekonomi tinggi dengan rendah, p = 0,000; IK 95% tidak tercakup angka 0.
Kelompok ekonomi sedang dengan rendah, p = 0,028; IK 95% tidak tercakup angka 0.
Disimpulkan:
Perbedaan kadar glukosa darah berbeda secara bermakna pada
semua kelompok tingkat ekonomi
Melaporkan Hasil
Tabel 1 dan 2 menyajikan hasil analisis uji one-way
ANOVA yg dilanjutkan dengan post-hoc LSD
Minimum Maksimum
Uji one-way ANOVA. Uji post-hoc LSD: tinggi vs sedang p < 0,001; tinggi vs
rendah p < 0,001; sedang vs rendah p = 0,028
Melaporkan Hasil
• Data yg disajikan pada tabel 1, 2, dan 3 merupakan data hasil transformasi kadar glukosa darah (nilai 1/akar
dua dari nilai kadar glukosa darah) sukar dipahami secara klinis.
• Tidak terbiasa menggunakan nilai 1/akar dua dari kadar glukosa darah disajikan rerata geometris (bisa
dihitung menggunakan Excel “GEOMEAN”).
• Rerata geometris transformasi balik dari rerata nilai transfromasi.
• Rerata geometris tingkat ekonomi tinggi adalah transformasi balik dari 0,061 yaitu 279,21.
• Rerata geometris tingkat ekonomi sedang adalah transformasi balik dari 0,069 yaitu 205,48.
• Rerata geometris tingkat ekonomi rendah adalah transformasi balik dari 0,070 yaitu 203,98.
• Berbeda dengan rerata, nilai simpang baku hasil transformasi tidak dapat ditransformasi balik utk
memperoleh simpang baku kadar glukosa darah tidak dapat disertakan nilai simpang baku utk rerata
geometris.
Uji one-way ANOVA. Uji post-hoc LSD: tinggi vs sedang p < 0,001; tinggi vs
rendah p < 0,001; sedang vs rendah p = 0,028
Latihan 9
Uji Korelasi Pearson (Uji Hipotesis Korelatif Variabel Numerik Berdistribusi
Normal)
Kasus
Anda ingin mengetahui korelasi antara skor depresi dengan skor ansietas. Anda membuat
pertanyaan penelitian sbb: “Adakah korelasi antara skor depresi dengan skor ansietas?”
1. Uji normalitas
Bukalah file: pearson.
Lihat terlebih dahulu bagian Variable View utk mempelajari variabel yg
ada.
Lakukan uji normalitas utk data variabel depresi dan variabel ansietas.
Interpretasi Hasil:
1. Bagian pertama adalah statistik deskriptif utk variabel skor ansietas dan skor
depresi. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi variabel
sebelum melangkah pada proses selanjutnya.
2. Pada uji Test of Normality Kolmogorov-Smirnov, baik skor ansietas maupun
skor depresi mempunyai nilai p = 0,078 nilai p > 0,005 disimpulkan
bahwa kedua kelompok data mempunyai distribusi normal.
Latihan 9
Uji Korelasi Pearson (Uji Hipotesis Korelatif Variabel Numerik Berdistribusi
Normal)
Interpretasi Hasil
Diperoleh nilai sig 0,000 (nilai p) menunjukkan bahwa korelasi antara skor
depresi dan skor ansietas adalah bermakna.
Nilai korelasi Pearson sebesar 0,862 (nilai r) menunjukkan korelasi positif
dengan kekuatan korelasi yg sangat kuat.
o Tabel menyajikan hasil analisis korelasi Pearson.
o Tabel tdd koefisien korelasi (r), nilai p, dan jumlah subjek (n).
Melaporkan Hasil
Hasil analisis korelasi Pearson
Skor ansietas
p < 0,001
n 348