SUBHEADING
1.Klik Transform
2.Sorot Recode
Into Defferent
Variable
NEXT STEP
Tips & Tricks (PC and Mac)
1. Klik “Into Deferrent Variable”.
NEXT STEP
2. Sorot variabel “umur” lalu klik
tanda panah ke kanan
5. Klik “Old and New Value”
6. Recode nilai umur 20-30
menjadi kode 0 (tidak
10.Rapihkan data di “Variable
View”. Ubah ‘Decimals’
12.Pilih variabel Umur2, lalu klik
tanda panah ke kanan, Umur2
berisiko) dan umur <20 atau menjadi 0 berada di kotak ‘Variable(s)’.
sehingga umur berpindah di >30 menjadi kode 1
11.Isi ‘Value Labels’ dengan
(berisiko).
kotak Input Variable -> kolom Value ketik 0 dan
Output Variable. Label diisi ‘tidak berisiko’
3. Ketik “umur2” di kotak lalu klik ‘Add’, kemudian
Output Variable pada bagian Value ketik 1 dan Label
name ‘berisiko’, lalu klik ‘Add’, klik
4. Klik Change, jadi di kotak “Ok”.
Input Variable -> Output 12.Untuk menginterpretasikan
Variable terlihat Umur -> data, maka yang perlu
13. Klik OK
Umur2 dilakukan selanjutnya
7. Untuk umur 20-30, klik adalah klik “Analayze”,
Range: Through, lalu isilah kemudian pilih ‘Descriptive
20 dan 30, lalu ke ‘New Statistic”, lalu pilih
Value’, ketiklah 0, klik ‘Add’ ‘Frequencies’
8. Untuk umur <20 atau >30,
klik All Other Value, lalu ke
‘New Value’, ketik 1, klik
‘Add’.
9. Klik “Continue”, Lalu Klik
“Ok”, terlihat variabel baru
Umur2
Slide 10
Berdasarkan tabel
disamping didapt hasil :
• kelompok ibu tidak
berisiko sebanyak 33
ibu atau sebesar 66%
• kelompok ibu berisiko
sebanyak 17 ibu atau
sebesar 34%.
• Klik “Plot”
Sample 3
data berjumlah 50 (besar), maka dari itu, untuk uji normalitas data ini
menggunakan pendekatan Skewness yaitu nilai Skewness dibagi standar
error Yaitu 0,547/0,337 = 1,62, dan bb ibu 0,427/0,337 = 1,26.
Dua hasil tersebut menunjukan angka < 2, maka data tersebut dapat
dikategorikan terdistribusi normal
• Klik “Continue”.
• Klik “Ok” untuk menjalankan
prosedur perintahnya, dan didapatkan
hasil sebagai berikut.
Status Pekerjaan Mean Std. Deviasi P Value
0 (Kerja) 3,15 0,61 0,793
1 (Tidak bekerja) 3,2 0,57
• Berdasarkan tabel diatas didapatkan bahwa rata-rata bbbayi yang ibunya tidak bekerja
sedikit lebih tinggi yaitu 3,2 kg dengan standar deviasi sebesar 0,57 kg dibandingkan
dengan ibu yang bekerja sebesar 3,15 kg dengan standar deviasi sebesar 0,61 kg.
• Hasil Uji T didaptkan nilai P = 0,793 berarti secara statistik tidak ada perbedaan yang
signifikan antara rata-rata bbbayi yang ibunya bekerja dengan yang tidak bekerja.
Uji Anova
Sample 3
• Tentukan Hipotesis
Ho: Tidak ada perbedaan berat badan bayi antara tingkat pendidikan ibu.
Ha: Ada perbedaan berat badan bayi antara tingkat pendidikan ibu.
• Pilih “Analayze”, sorot “Compare Means”, klik “One-Way ANOVA”, sesaat akan
muncul menu One Way ANOVA
• Dari menu One Way ANOVA, terlihat kotak ‘Dependent List’ diisi variabel numerik
yaitu “bbbayi” dan kotak ‘Factor’ diisi variabel kategoriknya yaitu “didik”.
• Klik ‘Options’ tandai dengan √ pada kotak ‘Descriptive’.
• Klik ‘Continue’.
• Klik ‘Post Hoc’, tandai dengan √ pada kotak ‘Bonferroni’.
• Klik ‘Continue’.
• Klik “Ok”.
OUTPUT
Slide 1
Pendidikan Mean SD P value
SD 2.470 249,6 0,0005
SMP 2.727,3 241,2
SMU 3.431,3 270,1
PT 3.761,5 386,3
• Berdasarkan tabel diatas terlihat bahwa rata-rata berat badan bayi yang paling kecil adalah
bayi yang dilahirkan oleh ibu yang berpendidikan SD yaitu 2.470 g dengan standar deviasi
sebesar 249,6 g. Seiring dengan meningkatnya pendidikan ibu, ternyata diikuti pula semakin
besarnya rata-rata berat badan bayinya. Rata-rata berat badan bayi yang paling tinggi adalah
ibu yang berpendidikan PT yaitu 3.761,5 g dengan standar deviasi sebesar 386,3 g.
• Hasil Uji ANOVA diperoleh p value = 0,0005 artinya secara statistik ada perbedaan yang
signifikan rata-rata berat badan bayi antara ibu yang berpendidikan SD, SMP, SMU, dan PT.
Analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan adalah tingkat
SD dengan SMU, SD dengan PT, SMP dengan PT, dan SMU dengan PT.
Slide 11
THANK YOU