Analisis Statistik

Sederhana
Ns. Ashar Prima
 Ingin membuat rumus BMI :
1. Click Transform  compute variable  input
data
2. Melihat persentase
Click analyses  click deskriptive  frekuensi

Memilih 20 dr 30 sampel
Click data select casesrandom sample of
casessampleexactly continue
Colom : variabel outcome/dependent/terikat
Row : faktor resiko/v. Independent/bebas
Membuat variable view baru. E.g : BMI 
BMI.kategortikal.
Click TRANSFORM  record into different
variable masukkan variable BMIOUTput
variable change  old and new value  old
value range lowest(input value) new
value add (lakukan untuk semua
kategori)continue
 Parametrik,
1. Populasi normal
2. Variansi sama ato tidak
3. Data rasio atau interval

Non parametrik
Data nomila atau ordinal
Uji normaltas
Analysisdeskriptive statisticexploremasukkan
data (v. Independent (faktor list), v. Dept (dependent
list)  plot (normality plot with tets) ok.

Akan di dapatkan hasil test normalitas

Uji normalitas
Shaphiro wilk: sampel kurang 50
Kolmogorov : lebih 50
, jika nilai p value lebih besar dari nila alfa = populasi
berdistribusi normal, selanjutntya di lakukan uji
Independent t test
Uji indeependent sample t test
( SYARAT HARUS RASIO)
Click analysis  compare means independent sample t
testtest variabel(kec. Sembuh), group variable(jenis
obat)define groupcontinueok.
Pembacaan hasil. Liat varians di levene’s test equality
(sign,:0,564 , lebih besar dr alfa artinya varians sama)
Selanjutnya liat hasil t test untuk membuktikan hipotest
U1=U2 atau U1≠U2 dengan melihat nilai independent T
test( sig 2 tailed). Nilainya p value 0,009. artinya U1≠U2.
artinya ada beda.
Untuk melihat bahwa obat baru lebih efekif dari obat
standar maka liat nilai means, hasil obat baru (35,000),
obat lama ( 39,000) artinya obat baru lebih efektif dari
obat lama
Uji man whitney ( non parametrik)
Analysis  nonparametric  independent
sample test fields test fields( kec.
Sembuh), group (jenis obat) ok

Cara baca:
Nilai p value 0,014.< dari 0,05 artinya obat
baru lebih efektif dari obat standart
Uji dependent t test/paired sample t
test
Click analysis compare mean paired
sample t test input variableok
Hasil :
Liat tabel paired t test: hasil di sign.
Jika nilai p value lebih kecil dari 0,05 makan Ho
di tolak, Ha diterima.
Uji wilcoxon ( non parametrik)
Click analysis  nonparametrik  related
samples input kedua variable ke test
fields ok
Hasil.
Liat nilai tabel. Interpretasi sama di paired.
Uji hipotesis lebih dari dua mean
Syarat haarus i ndependet. Contoh beda
efektifitas obat A,B,C
Data harus berdistribusi normal
Varians data harus homogen/sama
Uji one way anova ( mean > 2
populasi)
Uji normalitas.
Click analysisdeskriptis statistic explorer.
uji anova
Analysis compare meanone way anova input data( depent list: kec.
Reaksi, faktor list: jenis obat options homogenity of varians
testcontinue post hoc LSD continue ok,
Interpretasi :
1. Untuk menilai data berdistribusi normal atau tidak lakukan uji
normalitas, jika nilai p value lebih besar artinya populasi berdistribusi
normal
2. Selanjutnya liat nilai tabel varians ( Homogenity of varians test). Jika p
valuenya lebih besar dari 0,05 artinya homogen.
3. Selanjutnya uji anova, liat nilai p value jika lebih kecil dari 0,05 artinya
ada beda diantara populasi.
4. Jika ingin melihat yang mana yang ada beda diantara varibel. Liat di
POST HOC. Liat nilai p value yang lebih kecil dari 0,05. atau yang ada
bintang kecil.
Kruskasl wallis ( Non Parametrik)
Click analysis  nonparametrik legacy dialog
 k independent samples input data( test
variable; kec. Rx, group variable; jenis obat)
define range continue √ kruskal wallis
ok
Interpretasi : liat nilai p value (asymp. Sign)
nya . Jika lebih kecil dari 0,05 artinhya ada
beda...
REPEATED MEASUREMENT ANOVA  UNTUK UJI
ANALISIS LEBIH DARI 2 BERPASANGAN.
CONTOH. TEKANAN DARAH MINGGU 0, 1,2,3,
Dst..
CHI SQUARE TEST (PROSPECTIVE
STUDY DESAIN/KOHORT?
EX. KARYAWAN YANG BEKERJA DI BAWAH TEKANAN DENGAN KEJADIAN PJK.
PENGAMATAN DI LAKUKAN KE DEPAN (FUTURE)

Analysis deskriptive statistic crostab input data (row ; v. Indepndt,

coloumn; v. Dependt) statistic√ chi square ok
Interpretasi : jika nilai p value kurang dr 0,05 ada hub signifikan...
• Untuk mencari derajat berhubungan suatu variable. Menggunakan RR

(resiko relatif)
Analysisdeskriptif statistikcrostabstatistik√ Risk continue ok

Interpretasi : Nilai RR (di lihat di For Cohort : ya)

e.g.  RR = 2, karyawan yang bekerja dibawah tekanan selama 10 tahun
akan berisiko 2 kali lebih berisiko terkena PJK di banding dengan yang
bekerja ttidak dibawah tekanan.
Dengan nilai lower d RR. Bisa menentukan ada hubungan atau tidak jika
nilai lower tidak kurang dari 1,00
Chi squARE ( Retrospektive study
desain/ case control)
Sama dengan prespective,
Hanya di case control menggunakan nilai OR
Besar sample
Dipengaruhi oleh
1. Penelitian kita bekerja pada 1 populasi , 1
sampel, ( one sample problem), atau bekerja
pada 2 populasi , 2 sampel (two sample
problem). Atau more than two sample.
One sample problem
1. estimation
 Populasi proportion ( berapakah prevalensi
ibu hamil di jogya)  rumus R1
 Populasi mean ( berapa rata rata jumlah hari
rawat ini d rs sardjito) Rumus R2
Two sample problem
e.g. Membandingkan obat standart dengan obat baru
Jika efektif diukur berdasarkan kecepatan sembuhnya
dan skalanya rasio  menggunakan rumus R4 
membandingkan 2 rata2 ( dikatakan efektif jika jumlah
rata2 waktu sembuh yang diberi obat baru lebih cepat
dibandingkan dengan rata2 waktu sembuh obat
standart)
Jika efektif di ukur berdasarkan sembuh atau tidak
sembuh, skalanya nominal menggunakan rumus R3
 membandingkan 2 proporsi (e.g; dikatakan efektfi
jika proporsi yang sembuh dengan obat baru lebih
banyak di bandikan dengan jumlah proporsi yang
sembuh dengan obat standart)
Simple random sampling
Syarat :
1. Dipilih jika karakteristik populasi relatif
homogen
2. Lokasi penelitian tidak tersebar secara
geografis
3. Harus ada list/sampling frame
Stratiffied random sampling
 Dipilih jika karakteristik populasi relatif
heterogen
 Adalah tehnik pengmbilan sample dimana

tiap2 strata kita pilih simple random

sampling
 Dilakukan proporsi di tiap strata.
Cluster sampling
1. Jika lokasi penelitian tersebar luas.
2. Dalam tiap2 cluster kondisi relatif sama, tp
dalm cluster itu heterogen
RUMUS R1
n. = minimum ukuran sampel
N. = ukuran populasi
p. = prevalensi/proporsi berdasarkan
penelitian sebelumnya,
d. = perbedaan antara nilai sesungguhnya
dengan hasil penelitian
Sampling errornya 5% makin kecil makin baik,
masih d toleransi sampai 10%
Zα/2 : 1,96 ( jika 95%), 1, 65 ( jika 90%)
Rumus R3
P1. persentase untuk perlakuan 1, diperoleh dari
hasil penelitian sebelumnya
P2. persentasi untuk perlakuan 2 , diperoleh dari
hasil penelitian sebelumnya
P bar = p1+p2/2
..α = keselahan tipe 1, maksimun 5%, makin kecil
makin baik
..β= kesalaahn tipe 2, masih ditoleransi sampai
20%, makin kecil mkin baik, 10% atau 5%.
Z β( Power) = 1-β ≥ 80%, makin tinggi makin
bagus
 Faktor yang mempengaruhi besar sample
1. Tingkat confidensi
2. Sampling error. (nilai d; 0,05 ) semakinkecil
semakin bagus
3. Makin jauh nilai p dari 50% makin kecil
ukuran sampel
4. Ukuran populasi
Rumus R4
σ . = SD1+SD2/2
Analisis Regresi
 Pertama dalam regresi harus menentukan yang mana
X dan Y
 Syarat nya variable Y ( dependent) harus di ukur
dalam skala rasio
 Y = variabel dependen, artinya nilai Y depend On X,
nilai Y dipengaruhi oleh nilai X.
 X = variabel inDependent, variabel yg mempengaruhi
variabel Y

 Tujuan, :
- Mencari pola hubungan/persamaan
- Akan mampu meramalkan ( contoh meramalkna BB)
Peramaan linear
Y = a + bx
a dan b adalah koefisien regresi
a = constanta
REGRESI LINEAR
SYARAT REGRESI, DATA D PLOT DLU,
Click Graph legacy dialogscatter
dotsimple scatterdefineinput data( Y,
dependent, X independet) OK
Setelah tampak ada linear, bru dilakukan
regresi linear sederhana.
Click AnalysisRegressionlinearInput Data
(v.dependent, v independ)statistic
( estimate, deskriptive,model fitsave
(unstandartdizes) ok
interpretasi
1. Tabel Model Summary
Liat di Nilai R Square  menunjukkan ukuran
kekuatan hubungan linear antara variable X dan
Y.
R Square(Koef. determinasi)  0≤Rsquare≤ 1 (100%)
 Makin besar Nilai ‘R’ , makin besar hubungan

antara variable X & Y.

 Eg.: Rsquare = 91,4% 0,914  ARTINYA ukuran

kekuatan hubungan linear antara umur &BB =

91,4%
 SISANYA 8,6 % Dipengaruhi oleh Fc lain.
Lanjutann.......
2. Tabel Anova
7an : untuk menguji apakah ada hubungan yang signifikan
atau tidak ada
Ho: tidak ada hubungan linear antara X  Y
Ha : Ada hubungan Linear X  Y
• Bisa menggunaan nilai F statistik yang dibandinkan

dengan Nilai F tabel ( Jika tdk punya F tabel), maka

• Menggunakan Nilai P Value, jika nilai P value Lebih kecil

dari nilai α (0,05) maka, Ho (di tolak/tidak di dukung

oleh data)

UNTUK MENILAI HUBUNGAN LINEARNYA SEPERTI APAA???

BISA DILIAT DI COEFFICIENT TABLE).............
LANJUTTT......
3. TABEL KOEFFISIEN
DI LIAT DI NILAI ‘B’ ( Ŷ )
Tanda “ ̂” = hat (topi)  untuk mengistimasi
BB (Kg) (Ŷ) = 3,025 + 0,507 Umur(Bln)
Persamaan Y = a + bx
Selanjutnya hipotesis constant
Ho: a=0
Ha: a≠ 0
Dri nila P value, di dapatkan p value = 0,003 artinya
lebih kecil dari 5%
Ho ditolak. Artinya. Regresi dengan constant, berarti
nilai 3,025 signifikan
Regresi Linear Berganda
Adalah Regresi linear yang variabel X
( independent) lebih dari satu
Tujuan:
1. Mencari persamaan ( Y= b0 + b1X1 +
b2X2....)
2. Mampu meramalkan
3. Mampu menentukan variabel X mana yang
memberikan kontribusi besar terhadap
variabel Y
Tujuan kedua
Y = b0 + b1X1 + b2X2...
b0,b1,b2 adalah konstanta
Nilai b di dapatkan dari Tabel Coefficients di SPSS..
E.G : bo= 16,186
.b1 = -0,859
.b2 = 0,815
.b3 = -10,360

Jika nilai (-) artinya semakin bertambah nilai X

makan nilai Y menurun
Variabel yang paling besar
kontribusinya ( 7an ketiga)
Di liat di tabel coeeficient pada nilai Signifikan.
Jiks p value lebih kecil dari α (0,05) artinya
signifikan

Caranya:
Click analysis  Regression Linear  Input
data ( dependent, independent) ok.
Regresi Logistik ganda
1. Bedanya dengan regresi Linear adalah terletak pada
varible Y (dependent) yang dikur dengan skala
nominal.
Nama regresinya : Binary Logistik Regression.
Variabel X bisa dlam skala
nominal/ordinal/rasio/interval.
2. Regresi logistik membantu meramalkan dalam
bentuk peluang
Dalam koding : 1 = yang buruk, 0= yang baik
Persamaannya (ada d Power Point)
3. Membantu meramalkan variabel X yang
berkontribusi besar dalam memberikan peluang Y
Click Analysis  regression  Binary Logistic 
Input data ( Jika ada variable X yang Kategorikal
maka click Categorical input data
kategorikal √ firts/last cange Continue
Option √ CI exp.B continue  Ok.
Interpretasi :
Perhatikan tabel Variable in the Equation. Liat
nilai Exp. (B)  OR
e.G = Resiko Ibu Yang Blaack akan melahirkan
bayi bblr 3 x lipat dibandingkan white setelah
memperhaikan variabel umur, BB, dll