Analisis Data SPSS

[PELATIHAN ANALISA DATA DENGAN SPSS]Universitas Muhammadiyah, Jakarta . 7 – 10 September 2009.

2009

ANALISIS DATADeskriptif, Bivariat, dan Multivariat dengan menggunakan SPSS

I. MANAJEMEN DATA

I.1. Entry DataPada bagian ini, dipelajari cara memasukan data nominal, ordinal, dan numerik serta

variabel dengan tipe String.

Kasus:Berikut adalah data survei yang akan dimasukan datanya:

No. Nama Umur Pendidikan Kerja Hb1 Wati 23 SD kerja 10.12 Nana 24 PT kerja 9.83 Tina 34 PT tidak kerja 11.14 Sari 35 SMU kerja 10.25 Yani 19 SMU tidak kerja 10.46 Mery 24 SMP tidak kerja 11.27 Yeyen 22 SD tidak kerja 12.58 Nila 19 SD kerja 11.49 Rahma 26 SMU kerja 13.210 Lala 25 PT tidak kerja 9.2

Dua langkah yang harus dilakukan, yaitu mengisi bagian Variabel View dan Data View:1. Mengisi Variabel View

Buka program SPSSAktifkan variabel view (ada di kiri bawah).Pada tampilan variabel view akan terlihat kata Name, Type, Width, Decimals, Labels, Values, Column Width, Alignment, Measures.

Name : Kata yang mewakili nama variabel. Biasanya diisi dengan kata yang mudah diingat yang berkaitan dengan nama variabelnya. Misalnya: “edu” untuk variabel tingkat pendidikan responden.

Type : Tipe data yang akan dimasukkan. Pilihan yang paling umum adalah numeric (karena semua proses uji dalam SPSS bisa dilakukan dalam bentuk numeric) dan string (kalau data yang dimasukkan adalah huruf/kata/kalimat).

Witdh : Jumlah digit yang akan dimasukkan.Decimals : Jumlah digit dibelakang titik.Labels : Penjelasan rinci dari kolom name. Misalnya: dalam kolom

name diketik edu, labels-nya adalah “tingkat pendidikan terakhir yang ibu tempuh”

Values : Kode jika variabel merupakan variabel kategorik (nominal

dan ordinal). Misalnya kode 1 untuk kategori PT, kode 12 untuk kategori SMU, kode 3 untuk kategori SMP, kode 4 untuk kategori SD.

Column Width : Lebar kolom.Alignment : Pilihan tampilan variabel (rapat kiri, kanan, atau tengah).Measures : Skala pengukuran variabel (nominal, ordinal, scale).

Dari kasus, masukkan lima variabel yaitu: nama (string), umur (numerik), pendidikan (kategori ordinal), kerja (kategori nominal), dan Hb (numerik).

a. Pengisian variabel view untuk variabel nama

Name : Isi dengan mengetik namaType : Isi dengan mengaktifkan pilihan stringWitdh : Isi dengan 15 (untuk keseragaman). Pemilihan lebar kolom

tergantung dari beberapa karakter nama terpanjang.Decimals : Tidak aktifLabels : Isi dengan nama respondenValues : Tidak diisiColumn Width : 15 (untuk keseragaman)Alignment : Terserah Measures : Tidak aktif

b. Pengisian variabel view untuk variabel umur

Name : Isi dengan mengetik ageType : Isi dengan mengaktifkan pilihan numericWitdh : TerserahDecimals : Pilih 0Labels : Isi dengan umur respondenValues : Tidak diisiColumn Width : Terserah Alignment : Terserah Measures : Pilih scale

c. Pengisian variabel view untuk variabel pendidikan

Name : Isi dengan mengetik eduType : Isi dengan mengaktifkan pilihan numericWitdh : TerserahDecimals : Pilih 0Labels : Isi dengan tingkat pendidikan terakhir responden/ibuValues : Klik kotak kecil berwarna abu-abu pada sisi kanan kolom

values, akan terlihat tampilan sbb.

Ketik 1 pada kotak Value Ketik PT pada kotak Value Label Klik Add Ketik 2 pada kotak Value Ketik SMU pada kotak Value Label Klik Add Ketik 3 pada kotak Value Ketik SMP pada kotak Value Label Klik Add Ketik 4 pada kotak Value Ketik SD pada kotak Value Label Klik Add Proses telah selesai.Akan terlihat tampilan sebagai berikut:

Klik OK

Column Width terserah Anda Alignment terserah Anda Measures pilihlah Ordinal

d. Pengisian variabel view untuk variabel kerja

Name : Isi dengan mengetik kerjaType : Isi dengan mengaktifkan pilihan numericWitdh : TerserahDecimals : Pilih 0Labels : Isi dengan pekerjaan responden/ibuValues : Klik kotak kecil berwarna abu-abu pada sisi kanan kolom

values.

Ketik 0 pada kotak Value Ketik kerja pada kotak Value Label Klik Add Ketik 1 pada kotak Value Ketik tidak kerja pada kotak Value Label Klik Add Proses telah selesai.Akan terlihat tampilan sebagai berikut:

Klik OK Column Width terserah Anda Alignment terserah Anda Measures pilihlah Nominal

e. Pengisian variabel view untuk variabel hb

Name : Isi dengan mengetik hbType : Isi dengan mengaktifkan pilihan numericWitdh : TerserahDecimals : Isi dengan 1 (artinya satu desimal di belakang koma)Labels : Isi dengan kadar hb dalam mmHgValues : Tidak diisi (karena variabel hb tidak mempunyai kategori)Column Width : Terserah Alignment : Terserah Measures : Pilih scale

Untuk keseragaman beri kode tertinggi untuk faktor yang berisiko. Misal: kode 0 untuk yang kerja dan kode 1 untuk yang tidak bekerja.

2. Mengisi Data ViewAktifkan data view, lalu isilah dengan data pada kasus yang diberikan. Jika sudah selesai simpan file dengan nama: entry_lat (file → save as → entry_lat).

I.2. Mengedit Data

1. Menghapus Isi Sel Klik sel yang akan dihapus isinya Klik tombol delete pada keyboard atau klik kanan → clear

2. Menghapus Isi Sel Satu Kolom (menghapus variabel)

Klik heading column (nama variabel) yang akan dihapus isi-isi selnya. Misalkan akan dihapus variabel bbibu. Klik heading bbibu seperti tampilan sbb.

Klik kanan, clear

3. Menghapus Baris (Menghapus Case/Responden)

Klik baris yang akan dihapus. Misalkan responden nomor 5 akan dihapus.

Klik kanan, clear

4. Mengkopi Isi Sel Pilih sel (sejumlah sel dengan menyorot) yang akan dikopi isinya. Tekan ctrl + C Pindahkan penunjuk sel ke sel yang akan dituju Tekan ctrl + V

5. Mengkopi Isi Satu Column Klik heading kolom yang akan dikopi isinya ctrl + C Klik heading kolom yang akan dituju ctrl + V

Klik disini

Klik disini

6. Mengcopy Isi Satu Baris Klik nomor case yang akan dikopi ctrl + C Klik nomor case yang akan dituju atau dipindahkan ctrl + V

7. Menyisipkan Kolom Pindahkan penunjuk sel pada kolom yang akan disisipi. Klik kanan... insert variabel...

Akan terlihat sbb.

8. Menyisipkan Baris Pindahkan penunjuk sel pada kolom yang akan disisipi. Klik kanan... insert variabel...

I.3. Modifikasi Data

Sebelum data dianalisis, seringkali tidak semua data yang telah dimasukan dapat langsung dilakukan analisis. Beberapa data perlu dilakukan modifikasi. Misalnya untuk keperluan analisis kita perlu mengelompokkan berat badan bayi menjadi berat badan bayi normal (≥ 2500 gram) dan berat badan bayi rendah (< 2500 gram). Berikut akan diuraikan beberapa jenis modifikasi data yang dapat dilakukan oleh SPSS.

1. Mengelompokan Data # perintah: RECODE

Pengelompokan biasanya digunakan untuk mengubah variabel numerik menjadi variabel kategorik. Pengelompokan dapat dilakukan pada variabel yang sama atau ke variabel baru yang berbeda. Dianjurkan: jika melakukan pengelopmpokan sebaiknya membuat variabel baru sehingga variabel awal masih ada.

Kasus:Anda ingin mengkategorikan umur responden menjadi tiga kelompok, yaitu responden yang berumur < 20 tahun, 20-30 tahun, dan > 30 tahun (dalam hal ini Anda mengubah variabel numerik menjadi variabel ordinal).

Langkah:1. Buka file ASI.sav2. Aktifkan data view3. Lakukan langkah-langkah sbb:

Transform → Recorde → Into Diffrent Variabels Masukkan variabel umur ke dalam Input Variabel Ketik umur_1 ke dalam Output Variabel Ketik ‘klasfikasi umur’ ke dalam label Klik kotak change

Klik kotak Old and New Values Isilah kotak Old Value dan kotak New Value (selajutnya ikuti logika berfikir)

Logikanya adalah:Semua data < 20 tahun diubah menjadi kode 1Semua data 20 – 30 tahun diubah menjadi kode 2Semua data > 30 tahun diubah menjadi kode 3

Oleh karena itu, isilah Old Value dan New Value sebagai berikut:Old Value: range lowest through 19, New Value: 1, klik Add.Old Value: range 20 through 30, New Value: 2, klik Add.Old Value: 31 through highest, New Value:3, klik Add.

Proses telah selesai, klik kotal Continue Klik OKVariabel baru (umur_1) akan berada diujung paling kanan. Berikut adalah hasilnya:

Selanjutnya, lakukanlah pengisian Variable View untuk variabel umur_1.

2. Mengubah Kode # perintah: RECODE

Bila Anda menggunakan data sekunder seringkali menggunakan kode yang berbeda dengan kode yang seharusnya dapat dianalisis. Misal: kode untuk tingkat pendidikan, seharusnya kode tertinggi adalah kode untuk faktor yang berisiko. Namun, pada data mentah-nya kode terketik 1=SD, 2=SMP, 3=SMU, 4=PT. Jika hal tersebut terjadi maka Anda perlu mengubah kode. Langkahnya:

1. Buat dahulu distribusi frekuensinya: Analyze → Descriptive Statistics → Frequencies2. Lakukan langkah-langkah sbb:

Transform → Recorde → Into Diffrent Variabels Masukkan variabel didik ke dalam Input Variabel Ketik edu ke dalam Output Variabel Ketik ‘tingkat pendidikan terakhir ibu ubah kode’ ke dalam label Klik kotak change

Anda akan mengubah kode:1 menjadi 42 menjadi 33 menjadi 24 menjadi 1

Oleh karena itu, isilah Old Value dan New Value sebagai berikut:Old Value: 1, New Value: 4, klik Add.Old Value: 2, New Value: 3, klik Add.

Old Value: 3, New Value:2, klik Add.Old Value: 4, New Value:1, klik Add.

Proses telah selesai, klik kotal Continue Klik OKVariabel baru (edu) akan berada diujung paling kanan. Berikut adalah hasilnya:

Lakukan untuk pengecekkan data dengan cara: Analyze → Descriptive Statistics → Frequencies.

Selanjutnya, lakukanlah pengisian Variable View untuk variabel edu.

3. Membuat Variabel Baru Hasil Perhitungan #perintah: COMPUTE

Pada SPSS dapat dilakukan pembuatan variabel baru hasil dari perhitungan matematika (penjumlahan, pengurangan, pembagian, perkalian, dll).

Kasus:Anda ingin membuat variabel baru berat badan bayi dalam bentuk satuan kilogram.

Langkah-langkah: Transform → Compute Variables Ketik bayi_kg (nama variabel baru) pada kotak Target Variable Pada kotak Numeric Expression: isi rumus yang akan digunakan untuk

menghitung nilai baru pada Target Variables. Ketiklah rumus: bbayi/1000 seperti terlihat digambar.

Proses selesai, klik OK.

4. Membuat Variabel Baru dengan Syarat #perintah: IF

Dalam pembuatan variabel baru seringkali dihasilkan dari kondisi beberapa variabel yang ada.

Kasus: Anda ingin membuat variabel baru ibu yang berisiko tinggi dan rendah saat melahirkan bayi dengan berat lahir rendah. Kriterianya adalah sbb. Risiko tinggi bila

responden berumur > 30 thn dan berat badan < 50 kg. Risiko Rendah selain kondisi tersebut.

Langkah-langkah:1. Buat variabel baru (risk) yang semuanya berisi 0 (risiko rendah)

Transform → Compute Target Variable: ketik risk Numeric Expression: ketik 0

Klik OK, terlihat di Data View variabel risk sudah terbentuk dengan semua selnya berisi angka nol (0).

2. Membuat kondisi risiko tinggi (kode 1) untuk umur > 30 thn dan bb < 50 kg Transform → Compute Target Variable: tetap berisi risk Numeric Expression: hapus angka nol (0) dan gantilah dengan angka 1.

Klik If → include if case satisfies condition Ketik: umur > 30 & bbibu < 50

Klik continue Proses selesai, klik OK, klik OK

Selanjutnya lakukan pengecekkan data dan pengisian variabel view.

5. Memilih Sebagian Data #perintah: SELECT CASES

Pada kondisi tertentu, Anda hanya menginginkan menganalisis data dari kelompok tertentu saja. Misalkan Anda mempunyai data seluruh DKI tetapi hanya ingin mengetahui distribusi aktifitas pada Ibu hamil yang tinggal di Jakarta Selatan.

Kasus:Anda ingin menganalisis ibu yang menyusui ASI eksklusif saja.

Langkah-langkah: Data → Select Cases → If Condition is Satisfied Klik If Sorotlah dan pindahkan ke kotak disebelah kanan dan tuliskan kondisinya yaitu

‘eksklu=0’Keterangan: ibu yang menyusui eksklusif kodenya=0

Klik Continue Pada bagian Output (bawah) klik filtered (artinya data yang tidak dianalisis hanya

ditandai dengan pencoretan nomor kasus). Proses selesai, klik OK.

Nomor yang dicoret artinya dikeluarkan dari data sedangkan yang tidak dicoret merupakan data yang akan dianalisis (ibu yang menyusui eksklusif).

II. STATISTIK DESKRIPTIF (UNIVARIAT)

II.1. Deskripsi Variabel Kategori (masih file ASI)

Pada deskripsi variabel kategori dibuat tabel distribusi frekuensi untuk mengetahui karakteristik data variabel kategori.

Kasus:Ingin diketahui distribusi frekuensi variabel didik dan kerja dalam bentuk tabel dan grafik.

Langkah: Analyze → Descriptive Statistics → Frequencies Masukkan variabel didik dan kerja ke dalam kotak Variable(s) Aktifkan Display Frequency Tables Klik Continue. Proses selesai, klik Ok.

II.2. Deskripsi Variabel Numerik (file ASI)

Pada deskripsi variabel dengan skala numerik dibuat deskripsi statistik (central tendency) untuk mengetahui karakteristik data yang dimiliki.

Kasus:Ingin mengetahui deskripsi variabel body mass index (BMI) berdasarkan ukuran pemusatan dan ukuran penyebarannya serta penyajiannya dalam bentuk histogram.

Langkah-Langkah:1. Buka file des_numerik2. Lakukan:

Analyze → Descriptive Statistics → Frequencies Masukkan BMI ke dalam kotak Variables Pilihan Display Frequency Tables dinonaktifkan

“Know your data!”

Klik kotak Statistics. Pilih mean, median, modus pada Central Tendency (sebagai ukuran pemusatan), pilih Std deviation, Variance, Minimum, Maksimum pada Dispersion, pilih Skweness dan Kurtosis pada Distribution (sebagai ukuran penyebaran).

Klik Continue, lalu aktifkan Chart pilih Histogram pada Chart Type dan aktifkan kotak With Normal Curve

Proses selesai, klik Continue, klik OK

Output SPSS

Statistics

Body mass index500

18.39018.500

18.5.7723.596.013.337

-.437.66217.020.0

ValidMissing

N

MeanMedianModeStd. DeviationVarianceSkewnessStd. Error of SkewnessKurtosisStd. Error of KurtosisMinimumMaximum

II.3. Normalitas Data

Pemilihan penyajian data dan uji hipotesis yang dipakai tergantung dari normal tidaknya distribusi data. Oleh karena itu, perlu dilakukan uji normalitas apakah suatu data memiliki distribusi normal atau tidak.

Bila data berdistribusi normal, maka dianjurkan untuk menggunakan mean dan standar deviasi. Sedangkan bila data tidak berdistribusi normal maka dianjurkan menggunakan median dan minimum-maksimum sebagai pasangan ukuran pemusatan dan penyebaran.

Untuk uji hipotesis, jika distribusi data normal maka digunakan uji parametrik. Sedangkan jika distribusi data tidak normal maka menggunakan uji non parametrik.

Kasus:Ingin diketahui variabel umur responden apakah berdistribusi normal atau tidak.

Tabel 2.1. Metode Uji Normalitas DataMetoda Parameter Kriteria Keterangan

Deskriptif Rasio skewness Nilai rasio skewness -2 s.d. 2

Skewness / SE skew

Rasio kurtosis Nilai rasio kurtosis -2 s.d. 2

Kurtosis / SE kurtosis

Histogram Simetris, tidak miring kiri maupun kanan, tidak terlalu tinggi atau terlalu rendah

Box plot Simetris, median tepat di tengah, tidak ada outlier atau nilai ekstrim

Normal Q Q plots Data menyebar disekitar garis

Analitis Kolmogorov Smirnov Nilai kemaknaan (p) > 0,05

Untuk sampel besar > 50

Shapiro Wilk Nilai kemaknaan (p) > 0,05

Untuk sampel kecil ≤ 50

Langkah-langkah: Buka file: uji_norm Analyze → Descriptive Statistics → Explore Masukkan variabel umur ke dalam Dependent List

Pilih Both pada Display Biarkan kotak Statistics sesuai default SPSS. Aktifkan kotak Plots, klik Factors Levels Together pada Boxplots (untuk menampilkan

boxplot). Klik Histogram pada Descriptive (untuk menampilkan histogram), dan Normality Plots with Test (untuk menampilkan plot dan uji normalitas).

Proses telah selesai, klik Continue, klik OK

Output:

Descriptives

39.8428 .3350739.1834

40.5022

39.643639.000033.569

5.7938925.0060.0035.008.00.569 .141.429 .281

MeanLower BoundUpper Bound

95% ConfidenceInterval for Mean

5% Trimmed MeanMedianVarianceStd. DeviationMinimumMaximumRangeInterquartile RangeSkewnessKurtosis

umur respondenStatistic Std. Error

Tests of Normality

.108 299 .000 .975 299 .000umur respondenStatistic df Sig. Statistic df Sig.

Kolmogorov-Smirnova Shapiro-Wilk

Lilliefors Significance Correctiona.

II.4. Mentrasformasi Data Tidak Normal

Jika data Anda tidak normal maka dilakukan upaya mentransformasi data (mencoba untuk menormalkan data). Transformasi dilakukan dengan menggunakan fungsi log, akar, akar kuadrat.

Kasus:Data di atas ternyata berdistribusi tidak normal. Lakukanlah transformasi data.

Langkah-Langkah: Transform → Compute Ketik tran-age ke dalam kotak Target Variable

Cari pilihan LG10 pada pilihan Functions, kalau sudah ditemukan pindahkan ke kotak Numeric Expression dengan mengklik tanda panah.

Pindahkan variabel umur ke spasi [ ] dengan mengklik tanda panah.

Proses selesai, klik OK

Lihat pada Data View, terdapat variabel baru bernama tran_age.

Lakukan uji normalitas kembali pada variabel baru tran_age.

Tests of Normality

.079 299 .000 .991 299 .064tran_ageStatistic df Sig. Statistic df Sig.



III. UJI HIPOTESIS VARIABEL KATEGORI-NUMERIK DUA KELOMPOK

Tabel 3.1. Panduan Sederhana Uji Hipotesis

Skala Jenis HipotesisKomparatif Korelatif

Tidak Berpasangan (kelompok berbeda) cth:urban

dgn rural

Berpasangan(kelompok sama)

Ada pre n post test (before after)

Numerik 2 klp >2 klp 2 klp >2klpUji t tidak

berpasanganOne way

AnovaUji t

berpasanganRepeated ANOVA

Pearson

KategoriMann Whitney Kruskal- Wallis Wilcoxon Friedman Spearman

SommersGamma

Kategori Chi SquareFisher

Kolmogorov-Smirnov(tabel B x K)

McNemar, Cochran, Marginal Homogeneity, Wilcoxon,

Friedman

Koefisien kontingensi,

Lambda

*lihat lampiran untuk memahami istilah

III.1. Uji T Tidak Berpasangan

Kasus:Ingin diketahui bagaimana hubungan perilaku menyusui dengan kadar Hb (gunakan Hb1). Pertanyaan penelitian: “apakah ada perbedaan kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang tidak menyusui eksklusif?”.

Pemilihan Uji Hipotesis:

Tabel 3.2. Langkah-langkah Pemilihan Uji HipotesisLangkah Jawaban

1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan adalah perilaku menyusui (kategori) dengan kadar Hb (numerik)

2 Menentukan jenis hipotesis KomparatifLangkah Jawaban

3 Menentukan skala variabel Kategori – numerik4 Menentukan pasangan/tidak berpasangan Tidak berpasangan5 Menentukan jumlah kelompok Dua kelompok

Kesimpulan:Uji yang digunakan asalah uji t tidak berpasangan jika memenuhi syarat. Jika tidak memenuhi syarat digunakan uji alternatifnya, yaitu uji Mann Whitney.

Langkah-langkah:1. Memeriksa syarat uji t tidak berpasangan:

a. Data harus berdistribusi normal (wajib)b. Varians data boleh sama, boleh juga tidak sama (>0,05 varaians data sama, <0,05

beda)2. Jika memenuhi syarat (data berdistribusi normal), maka dipilih uji t tidak berpasangan.3. Jika tidak memenuhi syarat (data tidak berdistribusi normal), lakukan terlebih dahulu

transformasi data.

Uji Normalitas Data Buka file: ASI Lakukan uji normalitas untuk kadar Hb1 kelompok ibu yang menyusui eksklusif dan

kadar Hb1 kelompok ibu yang tidak menyusui eksklusif. Prosesnya sama dengan uji normalitas data. Perbedaannya memasukkan variabel

“eksklu” ke dalam Factor List.

Output:

Descriptives

10.421 .30039.800

11.042

10.44010.2002.164

1.47127.2

13.26.01.1

.128 .472

.744 .91810.277 .25949.743

10.811

10.27410.2001.750

1.32287.4

13.25.81.6

-.042 .456.334 .887



5% Trimmed MeanMedianVarianceStd. DeviationMinimumMaximumRangeInterquartile RangeSkewnessKurtosisMean

Lower BoundUpper Bound



status menyusui asitdk EKSKLUSIVE

EKSKLUSIVE

kadar hb pengukuranpertama

Statistic Std. Error

Tests of Normality

.205 24 .010 .915 24 .045

.139 26 .200* .965 26 .504

status menyusui asitdk EKSKLUSIVEEKSKLUSIVE


Statistic df Sig. Statistic df Sig.Kolmogorov-Smirnova Shapiro-Wilk

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


Interpretasi:

a. Bagian pertama adalah statistik deskriptif untuk variabel kadar Hb berdasarkan masing-masing kelompok.

b. Untuk menguji apakah data berdistribusi normal atau tidak digunakan uji Kolmogorov Smirnov. Jika P > 0,05 berarti data berdistribusi normal. Uji hipotesis yang digunakan yaitu Uji T tidak berpasangan.

Uji T Tidak Berpasangan:

Buka file: ASI Analyze → Compare Means → Independent Sample t Masukkan Hb1 ke dalam kotak Test Variable Masukkan eksklu ke dalam Grouping Variable

Aktifkan kotak Define Group Ketik angka 0 untuk kotak group 1 (sebagai kode tidak eksklusif) Ketik angka 1 untuk kotak group 2 (sebagai kode eksklusif)

Output:

Interpretasi:a. Menguji varians

Pada kotak Levene’s Test (nama uji varians), nilai sig = 0,790. Karena nilai p > 0,05 maka varians kedua kelompok sama. Ingat syarat uji t tidak berpasangan: varians data boleh sama, boleh juga tidak sama.

b. Karena varians data sama, maka untuk melihat hasil uji t memakai hasil pada baris pertama (equal variances assumed).

c. Angka significancy pada baris pertama 0,717 dengan perbedaan rerata (mean diffrence) sebesar 0,1439.

d. Nilai 95% adalah antara -0,6505 s.d. 0,9384.e. Karena nilai P > 0,05 maka diambil kesimpulan “tidak terdapat perbedaan rerata

kadar Hb yang bermakna antara kelompok ibu yang menyusui asi eksklusif dan yang tidak menyusui asi eksklusif.”Interpretasi 95%:“kita percaya 95% bahwa jika pengukuran dilakukan pada populasi, maka perbedaan kadar Hb antara kelompok ibu yang menyusui eksklusif dengan ibu yang tidak menyusui eksklusif adalah antara -0,6505 s.d. 0,9384.”

III.2. Uji T Berpasangan

Kasus:Ingin diketahui pengaruh terapi sulih testoteron terhadap perubahan body mass index (BMI). Pertanyaan penelitian: “apakah terdapat perbedaan rerata body mass index (BMI) sebelum dan sesudah satu bulan penyuntikan testoteron?”



1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan adalah BMI (numerik) dengan waktu pengukuran (kategorik)

2 Menentukan jenis hipotesis Komparatif3 Menentukan skala variabel Kategori – numerik4 Menentukan pasangan/tidak berpasangan Berpasangan5 Menentukan jumlah kelompok Dua kelompok

Independent Samples Test

.072 .790 .364 48 .717 .1439 .3951 -.6505 .9384

.363 46.376 .719 .1439 .3968 -.6547 .9425

Equal variancesassumedEqual variancesnot assumed


F Sig.

Levene's Test forEquality of Variances

t df Sig. (2-tailed)Mean

DifferenceStd. ErrorDifference Lower Upper

95% ConfidenceInterval of the

Difference

t-test for Equality of Means

Kesimpulan:Uji yang digunakan asalah uji t berpasangan jika memenuhi syarat. Jika tidak memenuhi syarat digunakan uji alternatifnya, yaitu uji Wilcoxon.

Langkah-Langkah:1. Memeriksa syarat uji t berpasangan.

a. Distribusi data harus normal (wajib)b. Varians data tidak perlu diuji karena kelompk data berpasangan.

2. Jika memenuhi syarat (data berdistribusi normal), maka dipilih uji t berpasangan.3. Jika tidak memenuhi syarat (data tidak berdistribusi normal), lakukan terlebih dahulu

transformasi data.

Uji Normalitas Data Buka file: ttest_paired Lakukan uji normalitas untuk skor BMI sebelum dan setelah satu bulan penyuntikan.

Descriptives

23.994 .125723.741

24.247

23.99324.000

.790.888822.026.04.01.1

-.067 .337-.386 .662

18.390 .109218.171

18.609

18.38318.500

.596.772317.020.03.01.0

.013 .337-.437 .662







Body mass index setelahpenyuntikan testosterone

Bodi mass indexsebelum penyuntikantestosteron


Tests of Normality

.123 50 .058 .983 50 .695

.123 50 .055 .965 50 .143

Body mass index setelahpenyuntikan testosteroneBodi mass indexsebelum penyuntikantestosteron



Interpretasi:a. Bagian pertama adalah statistik deskriptif untuk variabel BMI berdasarkan masing-

masing kelompok data.b. Pada test normalitas karena jumlah sampel kecil ≤ 50 dianjurkan untuk memamaki

shapiro wilk.c. Hasil test of normality shapiro wilk diperoleh hasil nilai kemaknaan untuk kedua

kelompok data adalah > 0,05. Dengan demikian dapat diambil kesimpulan bahwa distribusi kedua kelompok data adalah normal.

Uji T Test Berpasangan Analyze → Compare Means → Paired sample t Masukkan bmipre dan bmipost ke dalam kotak Paired Variables.

Proses selesai. Klik Continue. Klik OK.

Output:

Paired Samples Correlations

50 .148 .306

Bodi mass indexsebelum penyuntikantestosteron & Body massindex setelah penyuntikantestosterone

Pair1

N Correlation Sig.

Paired Samples Test

-5.6040 1.0880 .1539 -5.9132 -5.2948 -36.423 49 .000

Bodi mass indexsebelum penyuntikantestosteron - Body massindex setelah penyuntikantestosterone

Pair1

Mean Std. DeviationStd. Error

Mean Lower Upper

95% ConfidenceInterval of the

Difference

Paired Differences

t df Sig. (2-tailed)

Interpretasi:

a. Bagian Paired Samples Statistics menggambaran deskripsi masing-masing variabel.b. Tabel ke-2 menggambarkan hasil uji t berpasangan. Lihat kolom sig. (2tailed).

Diperoleh nilai signifikansi 0,000 (p< 0,05). Artinya terdapat perbedaan rerata BMI yang bermakna sebelum dan sesudah satu bulan penyuntikkan testosteron”. Nilai 95% CI adalah antara -5,91 s.d. -5,29.Interpretasi 95%:“kita percaya 95% bahwa jika pengukuran dilakukan pada populasi, selisih BMI sebelum dan sesudah penyuntikan dalah antara 5,91 s.d. -5,29.”

IV. UJI HIPOTESIS VARIABEL KATEGORI-NUMERIK LEBIH DARI DUA KELOMPOK

IV.1. ANOVA

Kasus: Ingin diketahui apakah ada perbedaan kadar gula darah antara kelompok ekonomi rendah, sedang, dan tinggi.



1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan adalah kadar gula darah (numerik)

dengan status ekonomi (kategorik)2 Menentukan jenis hipotesis Komparatif3 Menentukan skala variabel Kategori – numerik4 Menentukan pasangan/tidak berpasangan Tidak Berpasangan5 Menentukan jumlah kelompok Tiga kelompok

Kesimpulan:Uji yang digunakan adalah ANOVA jika memenuhi syarat. Jika tidak memenuhi syarat digunakan uji alternatifnya, yaitu uji Kruskal Wallis.

Langkah-Langkah:1. Syarat ANOVA tidak berpasangan:

a. Distribusi data harus normal (wajib)b. Varians data harus sama (wajib)

2. Jika memenuhi syarat maka dipilih uji ANOVA3. Jika tidak memenuhi syarat, maka diupayakan untuk melakukan transformasi data

supaya distribusi menjadi normal dan varians data sama.4. Jika pentransformasian data tidak berhasil maka dipilih uji alternatifnya yaitu uji

Kruskal Wallis.5. Jika pada uji ANOVA menghasilkan nilai p < 0,05 maka dilanjutkan dengan melakukan

analisis Post Hoc.

Uji Normalitas Data: Buka file: anova Lakukan uji normalitas untuk data kadar gula darah kelompok ekonomi rendah,

sedang, dan tinggi. Masukkan variabel gula ke dalam kotak Dependent List Masukkan variabel class ke dalam kotak Factor List

Output:

Descriptives

273.9870 4.57410264.9110

283.0630

273.2500270.00002092.24245.74104

180.00388.80208.8067.50.145 .241

-.348 .478213.5012 2.67061208.2021

218.8003

213.4969210.0000713.215

26.70609158.40280.00121.6040.00.138 .241

-.506 .478204.8306 2.75434199.3654

210.2958

204.9433201.6000758.641

27.54344142.56260.00117.4449.32.007 .241

-.672 .478










tingkat ekonomitinggi

sedang

rendah

kadar gula darahStatistic Std. Error

Tests of Normality

.088 100 .055 .984 100 .247

.085 100 .071 .981 100 .151

.083 100 .083 .981 100 .161

tingkat ekonomitinggisedangrendah

kadar gula darahStatistic df Sig. Statistic df Sig.



Interpretasi:a. Bagian pertama adalah statistik deskriptif untuk variabel kadar gula darah

berdasarkan masing-masing kelompok.b. Pada bagian Test of Normality, terlihat bahwa nilai Significancy untuk masing-masing

kelompok > 0,05, maka ketiga kelompook data adalah normal.

Uji Varians Data: Analyze → Compare Means → One-way ANOVA Masukkan variabel gula ke dalam Dependent List Masukkan variabel obat ke dalam Factor List

Aktifkan kotak Options

Pilih Homogeneity of Variance (untuk menguji varians data) Klik Continue. Klik OK.

Output:

Test of Homogeneity of Variances

kadar gula darah

19.480 2 297 .000

LeveneStatistic df1 df2 Sig.

ANOVA

kadar gula darah

283877.3 2 141938.649 119.474 .000352845.8 297 1188.033636723.1 299

Between GroupsWithin GroupsTotal

Sum ofSquares df Mean Square F Sig.

Interpretasi:a. Significancy Test Homogeineity of Variances menunjukkan angka 0,000 (p<0,05).

Artinya paling tidak terdapat dua kelompok yang mempunyai varians data yang berbeda secara bermakna.

b. Karena varians data tidak sama, maka hasil uji ANOVA pada tabel berikutnya tidak valid. Ingat syarat ANOVA.

c. Lakukan transformasi data agar varians data sama.

Mencari Bentuk Transformasi Data Analyze → Descriptive Statistics → Explore Masukkan variabel gula ke dalam Dependent List Masukkan variabel class ke dalam Factor List Pilih Plots pada kotak Display List

Pilih Power Estimation (untuk mencari bentuk transformasi terbaik) Klik Continue. Klik OK

Output:

Nilai slope dan nilai power adalah panduan bagi kita untuk menentukan jenis transformasi. Berikut adalah panduan jenis transformasi berdasarkan slope dan power.

Tabel 4.2. Panduan Mencari Bentuk TransformasiSlope Power Bentuk Transformasi

-1 2 Square (kuadrat)0 1 Tidak perlu trenaformasi

Slope Power Bentuk Transformasi0,5 0,5 Square root (akar)1 0 Logaritma

1,5 -0,5 1/sqr root2 -1 Reciprocal (1/n)

Karena nilai slope dan power yang qta peroleh adalah 1,429 dan -0,429 maka menurut tabel di atas, bentuk anjuran transformasi yang terbaik adalah dengan 1/sqr root

Transformasi Data Transform → Compute Ketik trn_gula pada Target Variabel Pindahkan sqrt dari kotak Function ke kotak Numeric Expression dengan mengklik

tanda panah. Tampak ada kolom berkedip Masukkan variabel gula ke dalam kolom berkedip dengan mengklik tanda panah

sehingga tampil ekspresi sebagai berikut: sqrt(gula). Lalu ketik 1/ sebelum sqrt(gula) sehingga tertulis: 1/SQRT(gula) yang berarti

1/square root.

Proses selesai. Klik OK

Melakukan Uji Varians untuk Variabel Hasil Transformasi Analyze → Compare Means → One way ANOVA Masukkan variabel trn_gula ke dalam Dependent List Masukkan variabel class ke dalam Factor List Aktifkan kotak Option Pilih Homogeneity of Variance (untuk menguji varians data) Klik Continue. Klik OK

Output

Test of Homogeneity of Variances

trn_gula

1.962 2 297 .142

LeveneStatistic df1 df2 Sig.

Interpretasi:Menilai VariansPada uji varians, diperoleh nilai p=0,142. Karena nilai p>0,05 maka dapat diambil kesimpulan bahwa tidak ada perbedaan varians antar kelompok data yang dibandingkan dengan kata lain varians data adalah sama.

Uji ANOVASetelah dilakukan uji varians terhadap variabel trn_gula, kemudian dapat dilakukan

uji ANOVA. Analyze → Compare Means → One way ANOVA Masukkan variabel trn_gula ke dalam Dependent List (diisi dengan variabel numerik) Masukkan variabel class ke dalam Factor List (diisi dengan variabel kategorik) Aktifkan kotak Option Pilih Descriptive

Klik Continue. Aktifkan kotak Post Hoc

Pilih Tukey pada kotak Equal Variances Assumed Klik Continue. Klik OK.

Output:

Descriptives

kadar gula darah

100 273.9870 45.74104 4.57410 264.9110 283.0630 180.00 388.80100 213.5012 26.70609 2.67061 208.2021 218.8003 158.40 280.00100 204.8306 27.54344 2.75434 199.3654 210.2958 142.56 260.00300 230.7729 46.14660 2.66428 225.5298 236.0160 142.56 388.80

tinggisedangrendahTotal

N Mean Std. Deviation Std. Error Lower Bound Upper Bound

95% Confidence Interval forMean

Minimum Maximum

ANOVA

trn_gula

.005 2 .002 106.526 .000

.007 297 .000

.012 299

Between GroupsWithin GroupsTotal

Sum ofSquares df Mean Square F Sig.

Multiple Comparisons

Dependent Variable: trn_gulaTukey HSD

-.00778* .00068 .000 -.0094 -.0062-.00930* .00068 .000 -.0109 -.0077.00778* .00068 .000 .0062 .0094

-.00151 .00068 .070 -.0031 .0001.00930* .00068 .000 .0077 .0109.00151 .00068 .070 -.0001 .0031

(J) tingkat ekonomisedangrendahtinggirendahtinggisedang

(I) tingkat ekonomitinggi

sedang

rendah

MeanDifference

(I-J) Std. Error Sig. Lower Bound Upper Bound95% Confidence Interval

The mean difference is significant at the .05 level.*.

Interpretasi:

Dari hasil uji ANOVA diperoleh rata-rata kadar gula darah dan standar deviasi

masing-masing kelompok. Rata-rata kadar gula darah pada mereka dengan tingkat ekonomi

tinggi adalah 273,9 dengan standar deviasi 45,7. Pada mereka yang tingakt ekonomi sedang

rata-rata kadar gula darahnya adalah 213,5 dengan standar deviasi 26,7. Pada mereka yang

tingkat ekonomi rendah rata-rata kadar gula darahnya adalah 204,8 dengan standar deviasi

27,5.

Pada hasil uji ANOVA dapat diketahui pada kolom “F”dan “Sig.” Terlihat p=0,000

(kalau desimalnya 0 maka penulisan menjadi 0,0001). Artinya paling tidak terdapat

perbedaan kadar gula darah yang bermakna pada kedua kelompok.

Pada bagian Multiple Comparison berguna untuk menelusuri lebih lanjut kelompok

mana saja yang berbeda secara bermakna. Untuk mengetahui kelompok mana saja yang

berbeda bermakna dapat dilihat dari kolom Sig. Ternyata kelompok yang berbeda bermakna

adalah kelompok tingkat ekonomi tinggi dengan sedang, kelompok tingkat ekonomi tinggi

dengan rendah.

IV.2. Uji Repeated ANOVA

Uji repeated ANOVA berada dalam lingkup General Linear Model. General Linear Model

Repeated Measures (GLM – RM) adalah suatu analisis yang diterapkan untuk situasi dimana

pengukuran dilakukan berulang-ulang pada subyek yang sama. Uji ini mirip dengan uji t

untuk data yang berpasangan (paired t-test). Jika pada uji t hanya dua data (sebelum dan

sesudah), maka pada uji GLM-RM ini pengujian bisa dilakukan pada lebih dari dua pasangan

data. Jadi analisis GLM-RM bertujuan untuk mengetahui apakah ada perbedaan yang

bermakna pada pasangan data yang diukur berulang-ulang (Santoso, S, 2000).

Kasus:

Ingin diketahui pengaruh metoda latihan pada penderita arthritis terhadap fungsi lutut.

Sebelum pelatihan diukur fungsi lutut berdasarkan waktu yang diperlukan untuk naik tangga

(dalam detik). Anda ingin melihat perbandingan fungsi lutut sebelum pelatihan, empat

minggu setelah pelatihan, dan enam minggu setelah pelatihan.



1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan adalah fungsi lutut (numerik) dengan waktu pengukuran (kategorik)

2 Menentukan jenis hipotesis Komparatif3 Menentukan skala variabel Kategori – numerik4 Menentukan pasangan/tidak berpasangan Berpasangan5 Menentukan jumlah kelompok >2 kelompok

Kesimpulan:Uji yang digunakan adalah uji repeated ANOVA jika memenuhi syarat. Jika tidak memenuhi syarat digunakan uji alternatifnya, yaitu uji Friedman.

Langkah-Langkah:

1. Syarat ANOVA tidak berpasangan:a. Distribusi data harus normal (wajib)b. Varians data harus sama (wajib)

2. Jika memenuhi syarat maka dipilih uji repeated ANOVA3. Jika tidak memenuhi syarat, maka diupayakan untuk melakukan transformasi data

supaya distribusi menjadi normal dan varians data sama.4. Jika pentransformasian data tidak berhasil maka dipilih uji alternatifnya yaitu uji

Friedman.5. Jika pada uji repeated ANOVA menghasilkan nilai p < 0,05 maka dilanjutkan dengan

melakukan analisis Post Hoc.

Uji Normalitas Data

Buka file: anova_rpt Lakukan uji normalitas

Output:

Descriptives

37.7023 2.2447833.1404

42.2642

37.614038.5000176.366

13.2802713.7364.0150.2818.45-.074 .398-.765 .778

26.2100 1.3553523.4556

28.9644

25.983326.190064.294

8.0183512.8544.7431.8910.08.188 .398

-.252 .77820.5123 1.0049918.4699

22.5547

20.522620.470035.350

5.9456010.0730.5220.4510.75.029 .398

-1.014 .778










Detik kecepatan naikturun tangga (awal)

Detik kecepatan naikturun tangga (minggu 4)

Detik kecepatan naikturun tangga (minggu 6)


Tests of Normality

.093 35 .200* .973 35 .544

.108 35 .200* .971 35 .469

.093 35 .200* .959 35 .218

Detik kecepatan naikturun tangga (awal)Detik kecepatan naikturun tangga (minggu 4)Detik kecepatan naikturun tangga (minggu 6)


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


Interpretasi:a. Bagian pertama adalah statistik deskriptif untuk variabel fungsi lutut. Ingat prinsip

bahwa Anda harus mempelajari deskripsi variabel sebelum melangkah pada proses selanjutnya.

b. Pada bagian Test of Normality (Shapiro-Wilk), terlihat bahwa nilai Significancy untuk semua variabel adalah >0,05. Kesimpulannya distribusi data pada ketiga pengukuran tsb adalah normal.

Uji Repeated ANOVA Analyze → General Linear Model → Repeated Measure Masukkan waktu pada kolom Within Subject Factor Name (bisa juga pada kolom ini

dibiarkan default SPSS dengan kata factor 1). Ketikan angka “3” ke dalam Number of Levels (untuk menunjukkan bahwa

pengukuran dilakukan tiga kali). Klik kota Add.

Klik kotak Define Masukkan variabel dtk_sct1, dtk_sct4, dtk_sct6 ke dalam Within Subject Variable.

Klik Option. Pindahkan variable waktu ke dalam Display Means For.

Klik Contrast. Klik Contrasts, bila ingin melihat perbedaan mean. Terdapat berbagai

macam jenis contras, yang sering dipakai adalah:

simpel (melihat perbedaan masing-masing mean dengan mean satu level sebagai

pembanding –first atau last-),

difference (melihat perbedaan satu level lebih tinggi dengan rata-rata level

sebelumnya, level-2 vs level-1, level-3 vs previous (mean level-1 dan 2), level-4 vs

previous (mean level-1 sd 3),

deviation (melihat perbedaan masing-masing mean level dengan mean total), dan

repeated (melihat perbedaan mean antar level yg berdekatan –level1 dengan level2,

level2 dengan level3, dst).

Proses telah selesai. Klik Continue. Klik OK.

Output:

Mauchly's Test of Sphericityb

Measure: MEASURE_1

.500 22.848 2 .000 .667 .684 .500Within Subjects Effectwaktu

Mauchly's WApprox.

Chi-Square df Sig.Greenhouse-Geisser Huynh-Feldt Lower-bound

Epsilona

Tests the null hypothesis that the error covariance matrix of the orthonormalized transformed dependent variables isproportional to an identity matrix.

May be used to adjust the degrees of freedom for the averaged tests of significance. Corrected tests are displayed inthe Tests of Within-Subjects Effects table.

a.

Design: Intercept Within Subjects Design: waktu

b.

Interpretasi:

Untuk melakukan interpretasi terhadap uji repeated ANOVA, yang pertama kali dilakukan adalah melihat pemenuhan asumsi sphericity.

Uji efek within subject, dilakukan dengan Mauchly’s Test of Sphericity.Konsep dari uji sphericity ini adalah kesepadanan hubungan tingkat variabel pada setiap pasangan didalam subyek. Atau dengan perkataan lain, setiap pasangan dari level variabel within subject membutuhkan korelasi yang sepadan. Misalnya dalam suatu studi longitudinal yang melakukan pengukuran tinggi badan setiap tahun pada anak-anak usia 5 tahun sampai mereka berusia 10 tahun. Jika covarians-nya sama (homogeneity of covarians), maka korelasi hasil pengukuran (skor) pada variabel dependen antara anak berusia 5 dan 6 tahun kira-kira sama dengan korelasi skor anak usia 5 dan 7 tahun atau 5 dan 8 tahun atau 6 dan 10 tahun dan seterusnya.Pada kenyataannya asumsi ini hampir tidak dapat dipenuhi. Apapun yang diukur dalam jarak waktu yang berdekatan korelasinya akan lebih kuat dibandingkan dengan yang diukur pada jarak waktu yang lebih jauh. Misalnya korelasi skor pengukuran antara anak berusia 5 dan 6 tahun akan lebih kuat daripada korelasi skor pengukuran antara anak berusia 5 dan 10 tahun.Ketika asumsi ini tidak terpenuhi, beberapa alternatif dapat digunakan. Salah satunya dengan melihat signifikansi test yang telah di “adjusted” untuk pelanggaran asumsi ini. Pada perangkat lunak program SPSS, nilai yang telah di “adjusted” ini disebut dengan epsilon. Terdapat 3 (tiga) nilai epsilon, yaitu : Green-Geisser, Huyn-Fieldt dan Lower Bound.

Asumsi utama dalam analisis GLM-RM yang harus dipenuhi adalah sphericity, yang

diharapkan signifikansinya lebih besar dari alpha, yaitu gagal menolak Ho bahwa matriks = 1.

Pada tabel Mauchly’s test of Spherictiy terlihat nilai p-value = 0,000. Berarti asumsinya tidak

terpenuhi. Untuk itu, dalam interpretasi hasil GLM-RM perlu dilihat faktor koreksi untuk

degree of freedom (df) dari nilai Epsilon, dimana Nilai df koreksi = Nilai df sebelum koreksi *

Epsilon. Hasil koreksi df terlihat pada tabel Tests of Within-Subjects Effects.

Pada baris Sphericity Assumed, df yang dipakai adalah df yang asli (tidak dikoreksi), uji ini

dipakai jika asumsi sphericity nya terpenuhi. Pada Greenhouse-Geiser, telah dilakukan

koreksi terhadap df-nya menjadi 1,334. Hasil koreksi df ini digunakan untuk analisis

selanjutnya. Semua hasil test, baik df dikoreksi ataupun tidak memperlihatkan hasil uji yang

hampir sama.

Hasil uji asumsi Sphericity (yang df-nya sudah dikoreksi) diperlihatkan dari tabel Within-

Subjek Effect, dengan simpulan yang sama, yakni asumsi Sphericity tidak terpenuhi.

Tests of Within-Subjects Effects

Measure: MEASURE_1

5367.048 2 2683.524 88.153 .0005367.048 1.334 4024.230 88.153 .0005367.048 1.368 3924.037 88.153 .0005367.048 1.000 5367.048 88.153 .0002070.034 68 30.4422070.034 45.345 45.6512070.034 46.503 44.5142070.034 34.000 60.883

Sphericity AssumedGreenhouse-GeisserHuynh-FeldtLower-boundSphericity AssumedGreenhouse-GeisserHuynh-FeldtLower-bound

Sourcewaktu

Error(waktu)

Type III Sumof Squares df Mean Square F Sig.

Oleh karena asumsi Sphericity tidak terpenuhi maka digunakan multivariate test. (SPSS

Intermediate, 1999)

Multivariate Testsb

.756 51.209a 2.000 33.000 .000

.244 51.209a 2.000 33.000 .0003.104 51.209a 2.000 33.000 .0003.104 51.209a 2.000 33.000 .000

Pillai's TraceWilks' LambdaHotelling's TraceRoy's Largest Root

Effectwaktu

Value F Hypothesis df Error df Sig.

Exact statistica.

Design: Intercept Within Subjects Design: waktu

b.

Interpretasi:- Pengaruh dari Pelatihan terhadap fungsi lutut

- Dari keempat test statistik, Pillai’s Test, Wilk’s Lambda, Hotelling’s Trace dan Roy’s

Largest Root, untuk kinerja menunjukkan signifikansi yang sama (p-value = 0,000).

Artinya secara umum memang ada perbedaan fungsi lutut menurut waktu (antara

sebelum dengan sesudah pelatihan). Minimal salah satu fungsi lutut (waktu1 s/d

waktu6) berbeda dengan lainnya. Untuk bagian mana yang berbeda tidak terlihat dari uji

multivariat, harus dilihat tabel Test Within-Subjects Contrasts.

Tests of Within-Subjects Contrasts

Measure: MEASURE_1

4622.542 1 4622.542 76.212 .00010342.363 1 10342.363 105.248 .0002062.216 34 60.6533341.058 34 98.266

waktuLevel 2 vs. Level 1Level 3 vs. Level 1Level 2 vs. Level 1Level 3 vs. Level 1

Sourcewaktu

Error(waktu)

Type III Sumof Squares df Mean Square F Sig.

Interpretasi:

Perhatikan kolom sig waktu. Sesuai dengan uji contrast yang kita pilih yaitu metode

simple, yang membandingkan setiap waktu dengan waktu1 (pre-test). Untuk semua

perbandingan pengukuran diperoleh p value ≤ 0,05. Artinya perbedaan fungsi lutut sudah

mulai terlihat sejak bulan pertama setelah pelatihan apabila dibandingkan dengan fungsi

lutut sebelum pelatihan.

V. UJI HIPOTESIS VARIABEL KATEGORI (TABEL B X K)

V.5. Uji Chi Square

Kasus:Ingin mengetahui hubungan antara jenis pekerjaan dengan perilaku menyusui ibu. Pertanyaan penelitiaan: “apakah ada perbedaan proporsi kejadian menyusui eksklusif antara ibu yang bekerja dengan ibu yang tidak bekerja?”


Tabel 5.1.. Langkah-langkah Pemilihan Uji Hipotesis

Langkah Jawaban1 Menentukan variabel yang akan dihubungkan Variabel yang akan dihubungkan

adalah pekerjaan ibu (kategori) dengan perilaku menyusui (kategori)

2 Menentukan jenis hipotesis Komparatif3 Menentukan skala variabel Kategori – kategori4 Menentukan pasangan/tidak berpasangan Tidak Berpasangan5 Menentukan jenis tabel B x K 2 x 2

Kesimpulan:Jenis tabel pada soal ini 2 x 2. Uji yang digunakan adalah uji chi square bila memenuhi syarat. Bila tidak memenuhi syarat uji Chi square digunakan uji alternatifnya yaitu uji Fisher.

Langkah-Langkah: Analyze → Descriptive Statistics → Crosstabs Masukkan variabel pekerjaan ke dalam Rows (variabel bebas) Masukkan variabel status menyusui ke dalam Column (variabel terikat)

Aktifkan kotak statistics, lalu pilih chi square dan klik risk

Klik continue

Aktifkan kotak cell, lalu pilih Observed (untuk menampilkan nilai observed) pada bagian counts.

Pilih Row pada bagian percentages Klik Continue

Klik OK

Output:

status pekerjaan ibu * status menyusui asi Crosstabulation

17 8 25

68.0% 32.0% 100.0%

7 18 25

28.0% 72.0% 100.0%

24 26 50

48.0% 52.0% 100.0%

Count% within statuspekerjaan ibuCount% within statuspekerjaan ibuCount% within statuspekerjaan ibu

KERJA

tidak kerja

status pekerjaanibu

Total

tdkEKSKLUSIVE EKSKLUSIVE

status menyusui asi

Total

Chi-Square Tests

8.013b 1 .0056.490 1 .0118.244 1 .004

.010 .005

7.853 1 .005

50

Pearson Chi-SquareContinuity Correctiona

Likelihood RatioFisher's Exact TestLinear-by-LinearAssociationN of Valid Cases

Value dfAsymp. Sig.

(2-sided)Exact Sig.(2-sided)

Exact Sig.(1-sided)

Computed only for a 2x2 tablea.

0 cells (.0%) have expected count less than 5. The minimum expected count is 12.00.

b.

Risk Estimate

5.464 1.627 18.357

2.429 1.226 4.811

.444 .239 .827

50

Odds Ratio for statuspekerjaan ibu(KERJA / tidak kerja)For cohort statusmenyusui asi = tdkEKSKLUSIVEFor cohort statusmenyusui asi =EKSKLUSIVEN of Valid Cases

Value Lower Upper

95% ConfidenceInterval

Interpretasi:Berdasarkan output di atas tertampil tabel silang antara pekerjaan dengan pola

menyusui dengan angka masing-masing selnya. Angka yang paling atas adalah jumlah kasus masing-masing sel. Angka kedua adalah persentase menurut baris1 .

Sebanyak 18 (72%) ibu yang tidak bekerja dapat menyusui bayinya secara eksklusif. Sedangkan diantara ibu yang bekerja, ada 8 (32%) ibu yang dapat menyusui bayinya secara eksklusif.

Hasil uji chi square dapat dilihat pada kotak chi square test. Nilai mana yang akan digunakan? (pearson, continuity corresction, likelihood, atau fisher).Aturan yang berlaku pada chi square sbb.a. Bila pada tabel 2x2 dijumpai expected (harapan) < 5, maka yang digunakan adalah

Fisher Exact.b. Bila pada tabel 2x2 tidak dijumpai expected < 5, maka uji yang dipakai bisa Contiuity

correction atau pearson chi square.c. Bila tabelnya 2x2 atau lebih, misalnya 3x2, 3x3 dsb, maka digunakan uji pearson chi

square1 Karena merupakan hasil penelitian dengan desain cross sectional sehingga persen yang ditampilkan adalah persen baris, namun bila jenis penelitiannya case control angka persen yang digunakan adalah persen kolom.

Untuk mengetahui nilai expected (E) kurang dari 5 dapat dilihat pada footnote b dibawah kotak chi square.

Tabel 2x2 ini layak untuk diuji dengan chi square karena tidak ada nilai expected yang kurang dari lima2. Nilai yang dipakai adalah nilai Pearson Chi Square. Pada kolom asymp.sig (2-sided) nilai p = 0,005. Artinya terdapat hubungan antara status pekerjaan dengan perilaku menyusui eksklusif.

Uji chi square tidak dapat digunakan untuk mengetahui derajat kekuatan/kekuatan hubungan dua variabel, oleh karena itu digunakan nilai odss ratio (OR) atau relatif risk (RR). Hasil di atas nilai OR terdapat pada baris Odds Ratio yaitu 5,464 sbb. Ibu yang tidak bekerja mempunyai peluang 5,46 kali untuk menyusui eksklusif dibandingkan dengan ibu yang bekerja. Pada perintah crosstab nilai OR yang keluar bila tabel silang 2x2. Jika tabel silang selain 2x2 maka OR dapat diperoleh dengan hasil regresi logistik dengan cara membuat dummy variable.

CATATAN :Untuk desain cross sectionsl presentasi barisUntuk desain case control presentasi kolom

Row independenColoumn depnden

Persen baris : baca per kolomPersen kolom : vaca per baris

2 Syarat uji chi square: 1). tidak ada nilai observed yang bernilai nol, 2). Sel yang mempunyai nilai expected kurang dari lima, maksimal 20% dari jumlah sel.

Analisis Data SPSS

Documents

Transcript of Analisis Data SPSS