Analisis Data Spss (Sutanto Fkm Ui 2006)

SUTANTO PRIYO HASTONO: Analisis Data

1

SUTANTO PRIYO HASTONO

FAKULTAS KESEHATAN MASYARAKAT

UNIVERSITAS INDONESIA, 2006

ANALISIS

DATA


2

PENDAHULUAN

STATISTIK dan PENELITIAN

1. Statistik dan Penelitian

Statistik dalam arti sempit berarti angka/data. Sedangkan dalam arti luas statistik

sebagi suatu prosedur atau metode pengumpulan data, pengolahan data,

analisis data dan penyajian data. Sedangkan penelitian adalah cara ilmiah untuk

mendapatkan data dengan tujuan dan kegunaan tertentu.

Data yang diperoleh melalui penelitian harus akurat, artinya data yang dihasilkan

harus memenuhi kriteria: valid, reliabel dan obyektif. Valid artinya

ketepatan/kecermatan pengukuran, artinya ketepatan antara data yang

sesungguhnya terjadi pada obyek dengan data yang dapat dikumpulkan oleh

peneliti. Misalkan data dalam obyek berwarna merah, maka data yang terkumpul

oleh peneliti juga berwarna merah. Contoh lain, kita akan mengukur waktu

lomba lari cepat, kalau mengukurnya dengan jam tangan tentunya hasilnya tidak

valid, untuk lomba lari cepat akan valid bila menggunakan alat Stop watch.

Contoh lain, bila survei melakukan wawancara dengan orang pedesaan Cianjur

tidak valid kalau wawancaranya menggunakan bahasa batak, akan valid bila

menggunakan bahasa sunda.

Reliabel menunjukkan kekonsistensian pengukuran, artinya pengukuran diulang-

ulang akan mendapatkan hasil yang sama. Misalkan data yang terkumpul dari

obyek kemarin berwarna hijau, maka sekarang atau besuk juga masih tetap

berwarna hijau.

1


3

Objektif menunjukkan derajat persamaan persepsi antar orang. Jadi misalkan

orang tertentu melihat bahwa obyek itu bewarna putih, maka orang lainpun

akan menyatakan sama, yaitu putih.

2. Peran Statistik dalam Penelitian

Peran statistik dalam suatu penelitian dimulai dari tahap awal sampai dengan

akhir penelitian. Adapun perannya:

a. Alat untuk menghitung besarnya sampel yang akan diteliti

b. Alat untuk menguji validitas dan reliabilitas instrumen

c. Alat untuk pengolahan data

d. Alat untuk analisis data

e. Alat untuk penyajian data

3. Kegunaan statistik/penelitian di Bidang Kesehatan

a. Mengukur status kesehatan masyarakat dan mengetahui permaslahan

kesehatan

b. Membandingkan status kesehatan di satu tempat dengan tempat lain, atau

membandingkan status kesehatan waktu lampau dengan saat sekarang

c. Evaluasi dan monitoring kegagalan dan keberhasilan program kesehatan yang

sedang dilaksanakan

d. Keperluan estimasi tentang kebutuhan pelayanan kesehatan

e. Perencanaa program kesehatan

d. keperluan Research dan publikasi masalah-maslash kesehatan

4. Jenis Data

Dalam menggunakan statistik perlu dipahami benar mengenai definisi data

dan jenis-jenis data. Data merupakan kumpulan angka/huruf hasil dari penelitian

terhadap sfat/karakteristik yang kita teliti. Isi data pada umumnya bervariasi

(misalnya data berat badan dalam suatu kelompok orang ada yang beratnya 60

kg, 50 kg, 75 kg dst) sehingga muncul istilah variabel. Jadi variabel merupakan


4

karakteristik yang nilai datanya bervariasi dari suatu pengukuran ke pengukuran

berikutnya.

Menurut skala pengukurannya, variabel dibagi empat jenis, yaitu nominal,

ordinal, interval dan rasio.

a. Nominal, variabel yang hanya dapat membedakan nilai datanya dan tidak

tahu nilai data mana yang lebih tinggi atau rendah. Contoh; jenis kelamin,

suku dll. Jenis kelamin laki-laki tidak lebih tinggi dibandingkan perempuan .

Suku Jawa tidak dapat dikatakan lebih baik/lebih buruk dari suku sunda.

Dengan ilustrasi ini dapat dijelaskan bahwa variabel nominal, nilai datanya

sederajat.

b. Ordinal, variabel yang dapat membedakan nilai datanya dan juga sudah

diketahui tingkatan lebih tinggi atau lebih rendah, tapi belum diketahui besar

beda antar nilai datanya. Contoh pendidikan, pangkat, stadium penyakit dll.

Pendidikan SD pengetahuannya lebih rendah dibandingkan SMP. Namun

demikian, kita tidak dapat tahu besar perbedaan pengetahuan orang SD

dengan SMP.

c. Interval, variabel yang dapat dibedakan, diketahui tingkatannya dan

diketahui juga besar beda antar nilainya, namun pada variabel interval belum

diketahui kelipatan suatu nilai terhadap nilai yang lain dan pada skala interval

tidak mempunyai titik nol mutlak. Contohnya variabel suhu, misalnya benda A

suhunya 40 derajat dan benda B 10 derajat. Benda A lebih panas dari benda

B dan beda panas anta benda A dan B 30 derajat, namun kita tidak bisa

mengatakan bahwa benda A panasnya 4 kali dari benda B (ini berarti tidak

ada kelipatannya!). Selanjutnya, kalau suatu benda suhunya 0 derajat, ini

tidak berart bahwa benda tersebut tidak punya panas (tidak mempunyai nilai

nol mutlak),

d. Rasio, variabel yang paling tinggi skalanya, yaitu bisa dibedakan, ada

tingkatan, ada besar beda dan ada kelipatannya serta ada nol mutlak. Contoh

berat badan, tinggi badan dll. Misal A beratnya 30 kg dan B beratnya 60 kg.

Dalam hal ini dapat dikatakan bahwa A lebih ringan dari B, selisih berat


5

antara A dan B adalah 30 kg, berat b dua kali lebih tinggi dari berat A. berat

0 kg, ini berarti tidak ada berat (tidak ada bendanya) sehingga ada nol

mutlak.

Dalam analisis seringkali digunakan pembagian data/variabel menjadi dua

kelompok yaitu; data katagorik dan data numerik.

a. Katagorik (kualitatif), merupakan data hasil

pengklasifikasian/penggolongan suatu data. Cirinya: isisnya berupa kata-kata.

Contoh; sex, jenis pekerjaan, pendidikan

b. Numerik (kuantitatif), merupakan variabel hasil dari penghitungan dan

pengukuran. Cirinya: isi variabel berbentuk angka-angka. Variabel numerik

dibagi menjadi dua macam: Diskrit dan Kontinyu.

Diskrit merupakan variabel hasil dari penghitungan. Misalnya jumlah anak,

jumlah pasien tiap ruang, kontinyu merupakan hasol dari pengukuran,

misalkan tekanan darah, Hb dll.

Variabel katagorik pada umumnya berisi variabel yang berskala nominal dan

ordinal. Sedangkan variabel numerik berisi variabel yang berskala interval dan

rasio.

Dalam analisis statistik, seringkali data numerik diubah ke dalam data

katagorik dengan cara dilakukan pengelompokan/pengklasifikasian. Misalnya

variabel berat badan data riilnya merupakan data numeric, namun bila

dikelompokkan menjadi kurus (<50 kg), sedang (50-60 kg) dan gemuk (>60 kg)

maka jenis variabelnya sudah berubah menjadi katagorik.


6

PENGOLAHAN DATA

1. Pengantar Pengolahan Data Pengolahan data merupakan salah satu bagian rangkaian kegiatan penelitian

setelah pengumpulan data. Setelah dilakukan pengumpulan data, seringkali

orang bingung “mau diapakan data yang telah terkumpul?, Bagaimana

menghubungkan data di kuesioner dengan tujuan penelitian?”. Untuk itu data

yang masih mentah (raw data) perlu diolah sedemikian rupa sehingga menjadi

informasi yang akhirnya dapat digunakan untuk menjawab tujuan penelitian.

Agar analisis penelitian menghasilkan informasi yang benar, paling tidak

ada empat tahapan dalam pengolahan data yang harus dilalui, yaitu:

1. Editing

Merupakan kegiatan untuk melakukan pengecekan isian formulir atau

kuesioner apakah jawaban yang ada di kuesioner sudah:

a. Lengkap: semua pertanyaan sudah terisi jawabannya

b. Jelas: jawaban pertanyaan apakah tulisannya cukup jelas terbaca.

c. Relevan: jawaban yang tertulis apakah relevan dengan pertanyaan

d. Konsisten: apakah antara beberapa pertanyaan yang berkaitan isi

jawabannya konsisiten, misalnya antara pertanyaan usia dengan

pertanyaan jumlah anak. Bila dipertanyaan usia terisi 15 tahun dan di

pertanyaan jumlah anak 9, ini berarti tidak konsisten.

2. Coding

Coding merupakan kegiatan merubah data berbentuk huruf menjadi data

berbentuk angka/bilangan. Misalnya untuk variabel pendidikan dilakukan

koding 1 = SD, 2 = SMP, 3 = SMU dan 4 = PT. Jenis kelamin: 1 = laki-laki

2


7

dan 2 = perempuan, dsb. Kegunaan dari coding adalah untuk mempermudah

pada saat analisis data dan juga mempercepat pada saat entry data.

3. Processing

Setelah semua kuesioner terisi penuh dan benar, serta sudah melewati

pengkodean, maka langkah selanjutnya adalah memproses data agar data

yang sudah di-entry dapat dianalisis. Pemrosesan data dilakukan dengan cara

meng-entry data dari kuesioner ke paket program komputer. Ada bermacam-

macam paket program yang dapat digunakan untuk pemrosesan data dengan

masing-masing mempunyai kelebihan dan kekurangan. Salah satu paket

program yang sudah umum digunakan untuk entry data adalah paket

program SPSS for Window.

4. Cleaning

Cleaning (pembersihan data) merupakan kegiatan pengecekan kembali data

yang sudah di-entry apakah ada kesalahan atau tidak. Kesalahan tersebut

dimungkinkan terjadi pada saat kita meng-entry ke komputer Misalnya untuk

variabel pendidikan ada data yang bernilai 7, mestinya berdasarkan coding

yang ada pendidikan kodenya hanya antara 1 s.d. 4 (1=SD, 2=SMP, 3=SMU

dan 4=PT). Contoh lain misalnya dalam variabel status perkawinan terisi data

1 (misalnya 1=belum kawin) dan dalam variabel jumlah anak terisi nilai . ini

berarti ada data yang salah (tidak konsisten) karena statusnya belum kawin

tetapi mempunyai anak 5?.

Berikut akan diuraikan cara meng-cleaning data:

a. Mengetahui Missing Data

Cara mendetekdi adanya missing data adalah dengan melakukan list

(distribusi frekuensi) dari variabel yang ada. Misalnya data yang diolah 100

responden, kemudoian dikeluarkan variabel jenis kelamin dan pendidikan.


8

Tabel 1 Jenis kelamin pasien

Jenis Kelamin Jumlah

Laki-laki 40

Perempuan 60

Total 100

Tabel 2 Jenis pendidikan pasien

Pendidikan Jumlah

SD 40

SMP 10

SMU 30

PT 15

Total 100

Dari kedua tabel di atas memperlihatkan bahwa tabel jenis kelamin tidak

ada nilai yang hilang (missing), sedangkan pada tabel pendidikan ada 5

pasien yang missing, karena total jumlahnya hanya 95 (seharusnya 100).

b. Mengetahui variasi data

Dengan mengetahui variasi data akan diketahui apakah data yang di-entry

benar atau salah. Cara mendeteksi dengan mengeluarkan distribusi

frekuensi masing-masing variabel. Dalam entry data biasanya data

dimasukkan dalam bentuk kode/coding, misalnya untuk variabel

pendidikan SD kode 1, SMP kode 2, SMU kode 3, dan PT kode 4. Untuk

mengetahui kesalahan data berikut ilustrasi keluaran dari variabel

pendidikan:


9

Tabel 3 Jenis pendidikan pasien

Pendidikan Jumlah

1 40

2 30

3 20

4 6

7 4

Total 100

Dari tampilan di atas kendati jumlah total sudah benar 100, namun

terlihat ada data yang salah, yaitu munculnya kode pendidikan angka 7

yang berjumlah 4 pasien. Seharusnya variabel pendidikan variasi

angkanya hanya dari angka 1 s.d. 4.

c. Mengetahui konsistensi data

Cara mendeteksi adanya ketidakkonsistensi data dengan menghubungkan

dua variabel.

Contoh:

1). membandingkan dua tabel

Tabel 4 Keikutsertaan KB

KB Jumlah

Ya 20

Tidak 80

Total 100


10

Tabel 5 Jenis Alat Kontrasepsi Yang Dipakai

Pendidikan Jumlah

Suntik 5

Pil 5

Kondom 4

IUD 10

Total 24

Dari kedua tabel tersebut terlihat bahwa ada ketidak konsistenan antara

jumlah peserta KB (20 orang) dengan total jenis alat kontrasepsi yang

dipakai (24 orang). Seharusnya pada baris total jenis alat kontrasepsi

jumlahnya 20 orang.

2). Membuat tabel silang

Contoh menghubungkan variabel umur dan jumlah anak

Jumlah Anak Umur

0 1 2 3 4 5 6 7 8 9 10

15 1 2 2*

16 1 2

19 2 4 2

20 3

24

25

35

40

Keterangan:

* = ada 2 responden dengan umur 15 tahun dan anaknya ada 10 orang (ada

kesalahan entry data!!!)


11

2. ENTRY DATA Setelah kita mengetahui langkah-langkah pengolahan data, selanjutnya

akan dibahas entry data menggunakan SPSS. Kepanjangan dari SPSS yaitu

Statistical Program For Social Science. SPSS merupakan paket program ststistik

yang berguna untuk mengolah dan menganalisis data penelitian. Dengan SPSS

semua kebutuhan pengolahan dan analisis data dapat diselesaikan dengan

mudah dan cepat. Kemampuan yang dapat diperoleh dari SPSS meliputi

pemrosesan segala bentuk file data, modifikasi data, membuat tabulasi

berbentuk distribusi frekuensi, analisis statistik deskriptif, analisis lanjut yang

sederhana maupun komplek, pembuatan grafik, dsb. Perkembangan program

SPSS sangat cepat dimulai dari program SPSS/PC+(masih under DOS) kemudian

berkembang menjadi SPSS for Windows dari versi 6 dan berkembang terus

sampai sekarang sudah memasuki versi 11. Dan untuk latihan digunakan SPSS

for Windows versi 10.

a. MEMANGGIL SPSS

Pertama kali anda harus pastikan bahwa komputer sudah ter-install

program SPSS for Windows. Untuk memanggil program SPSS dapat dilakukan

dua cara :

Pertama :

Bila tampilan pertama komputer sudah muncul Icon SPSS, maka klik dengan

mouse icon tersebut dua kali.

Kedua :

Bila di layar belum ada icon SPSS, maka klik “Start”, pilih “File Program” dan

sorot “SPSS” dan klik dua kali.

Di dalam operasionalnya, SPSS mengenal 2 jenis jendela (Window) yang utama

yaitu:

a. SPSS Data Editor


12

Jendela ini berisis tampilan data yang kita olah dan analisis dengan tampilan

sejenis Spreadsheet (seperti tampilan Program Excel).

b. SPSS Output

Hasil olahan (hasil analisis) yang anda lakukan akan ditampilkan pada Output

window. Window ini merupakan teks editor, artinya dapat mengedit hasil

analisis yang ditampilkan.

b. STRUKTUR DATA DI SPSS Agar dapat diolah dengan SPSS, data harus mempunyai struktur, format

dan jenis tertentu. Dalam SPSS (dan yang umum terjadi pada program lain),

data yang diolah tersususn berdasarkan kolom dan baris. Tiap kolom

melambangkan satu variabel (dalam data base dikenal Field), misalnya tiap

pertanyaan pada kuesioner menunjukkan satu variabel. Tiap baris data

dinamakan case (kasus/responden) sebagaimana istilah record di Data Base.

Variabel Nama Umur Berat

Anita 23 40

Cases Bambang 25 56

Dari contoh di atas menunjukkan ada 3 variabel (nama, umur dan berat badan)

dan 2 kasus/responden.

TAMPILAN UTAMA SPSS FOR WINDOWS

Setelah program SPSS dipanggil di layar akan muncul logo SPSS for

Windows, tunggulah sesaat hingga logo tersebut menghilang, maka pada layar

monitor akan didapati tampilan utama SPSS sebagai berikut:

a. tampilan data


13

b. tampilan variabel

Sistem kerja SPSS for Windows dikendalikan oleh menu (bar menu)./ Bar menu

terletak di sebelah atas dengan urutan dari kiri ke kanan sbb: File, Edit, View,

Data, Transform, Analyze, Graphs, Utilities, Window, Help.

File: digunakan untuk membuat file data baru, membuka file data yang telah

tersimpan (ekstensi SAV), atau membaca file data dari program lain, seperti

dbase, excell dll.

Edit: digunakan untuk memodifikasi, mengcopy, menghapus, mencari, dan

mengganti data.

View: digunakan untuk mengatur tampilan font, tampilan kode/label

Data: digunakan untuk membuat/mendefinisikan nama variabel, mengambil/

menganalisis sebagian data, menggabungkan data.

Transform: digunakan untuk transformasi/modifikasi data seperti

pengelompokan variabel, pembuatan variabel baru dari

perkalian/penjumlahan variabel yang ada dll.


14

Analyze: digunakan untuk memilih berbagai prosedur statistik, dari statistik

sederhana (deskriptif) sampai dengan analisis statistik komplek (multivariat).

Graphs: digunakan untuk membuat grafik meliputi grafik Bar, Pie, garis,

Histogram, scatter plot dsb.

Utilities: digunakan untuk menampilkan berbagai informasi tentang isi file.

Window: digunakan untuk berpindah-pindah antar jendela, misalnya dari

jendela data ke jendela output.

Help: memuat informasi bantuan bagaimana menggunakan berbagai fasilitas

pada SPSS.

I. MEMASUKKAN DATA Entry data dapat langsung dilakukan pada data editor. Data editor

memiliki bentuk tampilan sejenis spreadsheet (seperti Excel) yang digunakan

sebagai fasilitas untuk memasukkan/engisikan data. Ada tiga hal yang harus

diperhatikan:

Baris menunjukkan kasus/responden

Kolom menunjukkan variabel

Sel merupakan perpotongan antara kolom dan baris menunjukkan nilai/data

Dalam memasukan data ke SPSS, ada 4 hal yang harus dieperhatikan:

a. Memberi Nama Variabel

Pertama kali yang harus dilakukan pada saat entry data adalah memberi

nama variabel. Satu variabel mewakili/melambangkan satu pertanyaan. Agar

tidak menemui kesulitan dalam membuat nama variabel, berikut akan diuraikan

ketentuan / persyaratan nama variabel:

* Nama variabel maksimum berisi 8 huruf/karakter, untuk SPSS versi 13 jumalh

karakter dapat lebih dari 8 huruf


15

* Nama variabel tidak boleh ada spasi

* Nama variabel tidak ada yang sama ( tidak boleh ada 2 atau lebih variabel

yang memiliki nama sama)

b. Mendefinisikan Tipe Variabel

Tipe data harus ditentukan kalau kita akan memasukan data di SPSS, adapun

jenis tipenya antara laian:

1. Numerik ------ > untuk data berbentuk angka/nomer

2. String -------- untuk data berbentuk huruf

3. Date --------- > untuk data berbentuk date/tanggal

4. dll….

Note: yang sering digunakan adalah tipe Numerik, karena data yang akan kita

olah biasanya berbentuk angka.

c. Mendefinisakan Adanya Desimal

Bila data yang akan dimasukkan berbentuk dsimal, seperti kadar HB, maka perlu

ditentukan berapa desimal yang kita inginkan. SPSS secara default/standar

memberikan dua angka desimal untuk setiap data yang akan di entry.

Kebanyakan data penelitian berbentuk tidak ada desimal, oleh karena itu untuk

data yang tidak ada desimal kita harus seting di SPSS isian jumlah desimal diberi

angka 0 atau dikosongkan.

d. Memberi Label Variabel

Nama variabel biasanya tertulis dengan kata/huruf yang singkat, pada bagian ini

kita dapat menuliskan keterangan nama variabel sehingga dapat memperjelas

arti dari masing-masing variabel. Misalnya nama variabel BWT diberi label “Berat

badan bayi pada saat lahir dalam satuan gram”


16

e. Memberi Value Label

Untuk variabel yang berbentuk koding kita harus memberi keterangan untuk

setiap kode yang ada dalam kode tsb, misalnya untuk variabel Sex, 0 = pria dan

1 = wanita.

Sekarang kita coba lakukan entry untuk data:

Penelitian “Faktor-faktor yang berhubungan dengan perilaku menyusui eksklusif di Daerah X tahun 2001” . Berikut ini instrumen yang digunakan dalam penelitian: POLA MENYUSUI Nomor Responden

1. Berapa umur ibu? …. Tahun 2. pendidikan ibu yang telah ditamatkan?

1. SD 2. SMP 3. SMU 4. PT 3. Apakah ibu bekerja?

0. bekerja 1. Tidak bekerja 4. Berapa berat badan ibu ? … kg 5. Apakah ibu menyusui secara Eksklusif (menyusui sampai usia bayi 4 bulan)?

0. tidak 1. ya 6. a.Kadar Hb ibu pengukuran pertama : …. gr%

b.Kadar Hb ibu pengukuran kedua : …. gr% 7. Berat badan bayi ibu? …….gram

PERTANYAAN SIKAP 1. Bayi yang baru lahir sesegera mungkin diberi ASI?

1. STS 2. TS 3.KS 4. S 5.SS 2. Bayi yang baru lahir diberi kolostrum

1. STS 2. TS 3.KS 4. S 5.SS 3. Bayi sejak lahir sampai usia 4 bulan hanya diberi ASI saja?

1. STS 2. TS 3.KS 4. S 5.SS 4. ASI diberikan sampai bayi berusia 2 tahun?

1. STS 2. TS 3.KS 4. S 5.SS


17

Survei dilakukan dengan jumlah responden sebanyak 50 orang, datanya sbb:

no umur didik kerja bbibu eksklu Hb1 Hb2 bbbayi Segera Kolos Lahir sampai1 23 1 0 46 0 10.1 11.1 2,500 2 1 2 1 2 24 4 0 47 1 9.8 10.2 3,000 4 3 3 4 3 34 4 1 60 0 11.1 11.5 4,000 1 2 2 1 4 35 3 0 50 0 10.2 9.8 3,600 2 3 4 2 5 19 3 1 55 1 10.4 10.1 3,500 3 2 4 3 6 24 2 1 45 1 11.2 10.0 2,700 5 4 4 4 7 22 1 1 47 1 12.5 12.2 2,900 3 4 2 2 8 19 1 0 46 0 11.4 11.4 2,600 2 1 1 2 9 26 3 0 52 1 13.2 12.3 3,500 3 2 2 4 10 25 4 1 65 0 9.2 9.1 4,000 4 4 5 4 11 21 3 1 60 0 10.1 11.1 3,300 2 1 2 1 12 22 4 0 65 1 10.1 11.1 4,100 2 4 2 4 13 19 2 1 50 1 10.2 9.8 2,800 2 1 2 1 14 20 3 0 55 0 10.2 9.8 3,600 2 3 4 4 15 23 1 1 48 1 10.2 9.8 2,400 1 1 2 2 16 26 3 0 68 0 10.2 10.0 3,000 5 4 4 4 17 27 4 1 70 1 10.2 10.0 3,900 5 4 4 4 18 30 2 1 46 1 10.2 10.0 2,800 5 4 4 4 19 31 4 0 47 0 13.2 12.3 3,300 1 1 2 2 20 32 2 0 48 0 13.2 12.3 2,100 3 2 4 4 21 23 2 0 47 0 11.1 11.1 2,500 2 1 2 1 22 24 3 0 56 1 9.8 10.2 3,000 4 3 3 4 23 34 4 1 74 0 10.4 11.5 4,000 1 2 2 1 24 35 3 0 72 0 7.2 9.8 3,600 2 1 1 2 25 19 3 1 60 1 7.4 10.1 3,500 3 4 2 2 26 24 1 1 49 1 8.9 10.0 2,700 5 4 4 4 27 22 2 1 46 1 11.2 12.2 2,900 1 2 2 2 28 19 1 0 48 0 11.4 11.4 2,600 2 1 1 2 29 26 3 0 57 1 12.0 12.3 3,500 3 2 1 1 30 25 3 1 75 0 8.8 9.1 4,000 4 4 5 4 31 21 4 1 64 0 10.1 11.1 3,300 2 1 2 1 32 22 4 0 67 1 10.1 11.1 4,100 2 1 2 1 33 19 2 1 50 1 8.1 9.8 2,800 2 3 4 2 34 20 3 0 63 0 7.8 9.8 3,600 2 3 1 1 35 23 1 1 50 1 9.2 9.8 2,400 2 3 4 2 36 26 2 0 51 0 9.4 10.0 3,000 5 4 4 4 37 27 4 1 53 1 9.0 10.0 3,900 5 4 4 4 38 30 2 1 54 1 8.3 10.0 2,800 5 4 4 4 39 31 4 0 67 0 10.2 12.3 3,300 1 1 2 2 40 32 1 0 46 0 10.1 12.3 2,100 3 2 2 2 41 21 3 1 60 0 10.1 11.1 3,300 2 1 2 1 42 22 4 0 68 1 10.2 11.1 4,100 2 1 2 1 43 19 2 1 67 1 10.2 12.1 2,800 1 1 2 2 44 20 3 0 60 0 10.2 11.3 3,600 2 3 4 2 45 23 1 1 63 1 11.2 10.2 2,400 2 3 1 2 46 26 3 0 64 0 11.2 11.4 3,000 5 4 4 4


18

47 27 4 1 72 1 11.2 10.0 3,900 5 4 4 4 48 30 2 1 49 1 11.2 12.4 2,800 5 4 4 4 49 31 3 0 58 0 13.2 13.3 3,300 3 2 4 2 50 32 1 0 50 1 11.2 12.3 2,100 3 1 1 2

A. Langkah pertama : Memberi/membuat nama variabel:

Layar pada tampilan Workshet di menu data SPSS ada 2 jenis, yaitu jendela

“Data View” dan “Variabel View”.

Untuk membuat nama variabel, layar/jendela posisikan pada “Variable View”.

Sekarang lakukan : klik “Variable View” di bagian kiri bawah, sehingga

muncul tampilan layar “Variable View”

Pada tampilan “Variable View” diatas terlihat kolom: Name, Type, Width,

Decimals, dst.. Selanjutnya kita dapat membuat nama variabelnya dimulai

dari No, umur, didik, dst..sbb:

a. Membuat Variabel No

Adapun tahapannya sbb:


19

1. Sekarang pada kolom name ketik nama variabel “No”, kemudian

2. Pindahkan kursor ke kolom Type. Jenis variabel yang tersedia ada

beberapa jenis meliputi numeric untuk tipe angka, string untuk tipe

karakter/huruf dll. Untuk varibel No karena datanya yang akan masuk

berbentuk angka berarti anda pilih numeric (secara otomatis SPSS

memberikan default Numeric)

3. Gerakkan kursor ke sebelah kanan ke bagian Width, pada bagian ini anda

juga dapat mengatur lebar kolom dan desimal sesuai kebutuhan. Secara

standar lebar kolom sudah diatur SPSS lebar kolom (Width) 8 karakter,

jadi abaikan saja untuk width nya

4. Geser kursor ke kanan masuk ke kolom Decimal, SPSS secara otomatis

memberi ruang untuk 2 desimal, untuk variabel No tentunya berbentuk

bilangan bulat(tidak ada desimal) jadi kolom Decimal diberi angka 0 atau

dikosongkan.

5. Geser korsor kekanan ke kolom Label, ketik/isikan keterangan untuk

memperjelas variabel No, misalnya diketik “Nomor Responden”

6. Langkah selanjutnya harusnya kursor kita geser kekanan mengisi kolom

Values, namun kolom Values ini diisi kalau variabel yang kita buat

berbentuk variabel koding (atau variabel katagorik) misalnya variabel sex

yang isinya ada koding 1=pria dan 2=wanita. Untuk variabel No bukan

merupakan variabel koding, maka kolom Value tidak diisi/diabaikan saja,

sehingga proses pembuatan variabel No sudah selesai, dan tampilan

lengkapnya menjadi sebagai berikut


20

b.Membuat Variabel Umur

Proses pembuatannya sama dengan ketika membuat variabel No sbb:

1. Sekarang pada kolom name ketik nama variabel Umur, kemudian

2. Pindahkan kursor ke kolom Type.. Untuk variabel Umur karena datanya

yang akan masuk berbentuk angka berarti anda pilih numeric (secara

otomatis SPSS memberikan default Numeric, jadi abaikan saja untuk isi

kolom Type jangan diubah)



standar lebar kolom sudah diatur SPSS, lebar kolom (Width) 8 karakter,

jadi abaikan/biarkan saja untuk width nya


memberi ruang untuk 2 desimal, untuk variabl Umur tentunya berbentuk

bilangan bulat jadi kolom Decimal diberi angka 0 atau dikosongkan.

5. Geser kursor kekanan ke kolom Label, ketik/isikan keterangan untuk

memperjelas variabel Umur, isikan: Umur ibu menyusui

6. Karena variabel umur berjenis numerik (bukan variabel yg isinya koding)

maka kolom Values diabaikan saja, dan dengan demikian proses

pembuatan variabel umur telah selessai

c. Variabel Pendidikan

Proses pembuatannya sama dengan ketika membuat variabel No sbb:

1. Sekarang pada kolom name ketik nama variabel Didik, kemudian

2. Pindahkan kursor ke kolom Type.. Untuk variabel Didik karena datanya

yang akan masuk berbentuk angka berarti anda pilih numeric (secara

otomatis SPSS memberikan default Numeric, jadi abaikan saja untuk isi

kolom Type jangan diubah)




21

standar lebar kolom sudah diatur SPSS, lebar kolom (Width) 8 karakter,

jadi abaikan/biarkan saja untuk width nya


memberi ruang untuk 2 desimal, untuk variabl Didik tentunya berbentuk

bilangan bulat jadi kolom Decimal diberi angka 0 atau dikosongkan.

5. Geser kursor kekanan ke kolom Label, ketik/isikan keterangan untuk

memperjelas variabel Didik, isikan: Pendidikan formal ibu menyusui

6. Langkah selanjutnya geser kekanan ke kolom Values, untuk variabel

Didik kolom Values ada isinya oleh karena variabel Didik merupakan

variabel yang berbentuk koding, yaitu kode 1 = SD, 2=SMP, 3=SMU,

4=PT. Klik kolom Value akan muncul menu:

Pada kotak Value isikan angka 1, lalu klik kotak Value Label isikan:

SD,hasilnya nampak sbb:

Klik disini


22

Kemudian klik tombol Add sehinga di kotak bagian bawah akan muncul:

Seterusnya klik kotak Value, isikan angka 2, klik kotak Value Label dan

isikan: SMP, kemudian klik tombol Add

Seterusnya klik kotak Value, isikan angka 3, klik kotak Value Label dan

isikan: SMU, kemudian klik tombol Add Seterusnya klik kotak Value, isikan

angka 4, klik kotak Value Label dan isikan: PT, kemudian klik tombol Add

sehingga kotak menu akan tertampil sbb:


23

Kemudian, klik tombol OK sehingga selesailah pembuatan variabel

Didik.

d. Variabel Kerja

1. Pada kolom Name isikan Kerja

2. Geser kekanan ke kolom Decimal, isikan 0

3. Geser ke kolom Label isikan: Status pekerjaan ibu

4. Geser kekanan ke kolom Value, isikan koding 0=bekerja 1=tdk kerja

Proses pembuatan variabel kerja selesai

e. Variabel BBibu

1. Pada kolom Name isikan Bbibu


3. Geser ke kolom Label isikan: Berat badan ibu

4. Kolom Value, abaikan/biarkan aja karena variabel Bbibu berbentuk numerik

Proses pembuatan variabel Bbibu selesai

f. Variabel Eksklu

1. Pada kolom Name isikan Eksklu


3. Geser ke kolom Label isikan: Status menyusui eksklusive


24

4. Geser kekanan ke kolom Value, isikan koding 0=tdk eksklusive

1=eksklusive

Proses pembuatan variabel Eksklu selesai

g. Variabel Hb1

1. Pada kolom Name isikan Hb1

2. Geser kekanan ke kolom Decimal, untuk variabel HB1 sesuai dengan

datanya, ada satu desimal, maka isikan angka 1

3. Geser ke kolom Label isikan: Hb pengukuran pertama

4. Abaikan kolom Values, karena variabel HB1 berbentuk numerik

h. Variabel Hb2

1. Pada kolom Name isikan Hb2

2. Geser kekanan ke kolom Decimal, untuk variabel HB2 sesuai dengan

datanya, ada satu desimal, maka isikan angka 1

3. Geser ke kolom Label isikan: Hb pengukuran kedua

4. Abaikan kolom Values, karena variabel HB2 berbentuk numerik

i. Variabel BBbayi

1. Pada kolom Name isikan BBbayi


3. Geser ke kolom Label isikan: Berat badan bayi

4. Abaikan kolom Value,

Proses pembuatan variabel bbbayi selesai

Dengan cara sama kemudian dapat dibuat untuk variabel: Segera, Kolos,

Lahir, Sampai

Akhirnya tampilan kseluruhannya sbb:


25

B. Memasukkan/entry Data

Setelah semua variabel sudah dibuat, maka langkah selanjutnya adalah

memasukkan data hasil survei kedalam format yang telah dibuat diatas. Untuk

memasukkan data anda harus berpindah ke layar/jendela Data View, yaitu

dengan Klik tombol Data View, nampak tampilannya sbb:

Memasukkan data bisa menyamping satu persatu responden di entry datanya,

atau bisa juga perkolom kearah bawah.

Coba sekarang masukan data diatas sebanyak 10 responden , dan hasil

tampilannya sbb:


26

c. Mengedit Data

1. Menghapus isi sel

a. Klik sel yang akan dihapus isinya

b. Tekan tombol ‘Delete’ (pada Keyboard)/clear pada edit. Bila kita nggak

jadi menghapus, klik Undo

Untuk menghapus isi sejumlah sel sekaligus, pilihlah sejumlah sel tersebut

dengan drag (menyorot/memblok) dengan mouse.

Dari tampilan di atas berarti kita membuat blok untuk variabel Kerja pada

responden no 3 s/d 5

Tekan ‘delete’ untuk menghapusnya.


27

2. Menghapus isi sel satu kolom (menghapus variabel)

a. Klik heading kolom (nama variabel) yang akan dihapus isi-isi

selnya, misalkan akan dihapus variabel BBibu: klik heading BBibu

seperi tampilan sbb:

b. Tekan tombol delete

Untuk menghapus isi sel sejumlah kolom sekaligus, pilihlah sejumlah

kolom tersebut dengan drag (menyorot dan memblok) dengan mouse

pada bagian heading.

3. Menghapus baris (menghapus case/responden)

a. klik baris yang akan dihapus, contoh nomer responden 5 akan dihapus

b. Tekan tombol delete

Klik disini

Klik disini


28

Nomor responden akan terhapus

Untuk menghapus beberapa case sekaligus, pilihlah sejumlah case

tersebut dengan drag (menyorot dan memblok) pada bagian nomor case.

4. Mengcopy isi sel

a. Pilih sel (sejumlah sel dengan mnyorot) yang akan dicopy isinya.

b. Tekan ‘Ctrl+C’

c. Pindahkan penunjuk sel ke sel yang akan dituju

d. Tekan ‘Ctrl+V’

Hal yang perlu diperhatikan dalam mengcopy isi sel atau sejumlah sel

adalah, bahwa format hasil copy akan selalu menyesuaikan dengan format

variabel dimana isi sel atau sejumlah sel itu dicopykan.

5. Mengcopy isi satu kolom (mengcopy variabel)

a. Klik heading kolom (nama variabel) yang akan dicopy isinya


c. Klik Heading kolom yang dituju


Hasil dari instruksi di atas adalah mengcopy kolom sekaligus format

variabelnya (type variabel, lebar kolom, value label dsb), dan sudah pasti

tetap tidak merubah nama variabel. Bila dikehendaki tidak ada perubahan

format variabel kolom yang dituju, yang dilakukan adalah:

a. Klik heading kolom (nama variabel) yang akan dicopy isinya


c. Pindahkan penunjuk sel ke baris pertama kolom yang dituju


Untuk mengcopy isi sel sejumlah kolom sekaligus, pilihlah sejumlah kolom

tsb dengan drag pada bagian heading


29

6. Mengcopy isi satu baris (case/responden)

a. Tekan ‘Ctrl+C’

b. Klik nomor case yang akan dituju atau pindahkan penunjuk sel ke

kolom Klik nomer Case yang akan dicopy

c. pertama baris yang dituju


7. Menyisipkan Kolom

a. Pindahkan penunujuk sel pada kolom yang disisipi

b. Klik ‘Data’, pilih ‘Insert Variable’, terlihat kolom baru muncul.

8. Menyisipkan Baris

a. Pindahkan penunjuk sel pada baris yang akan disisipi

b. Klik ’Data’, pilih ‘Insert Case’, terlihat kasus/ responden baru muncul

B. MENYIMPAN FILE DATA Data yang telah dimasukkan dapat disimpan ke berbagai format data.

Secara pengaturan dasar, SPSS for Window akan menyimpan data tersebut

dengan format SPSS, bentuk formatnya dicirikan dengan ekstensi “.sav” (Nama

file.sav). untuk menyimpan data yang telah anda masukkan:

1.Pilihlah “File”, bawa kursor ke “Save”, nampak tampilannya:


30

Pada tampilan di atas terdapat beberapa isian kotak:

Save in : Anda dapat memilih direktori (drive A untuk disket) tempat

menyimpan file. Bila pada kotak “Save in” tidak dirubah berarti data

disimpan dalam direktori program SPSS.

File name : Anda harus mengetikkan nama file di kotak ini. SPSS akan

menambahkan ekstension “.sav”, sehingga anda cukup mengetikkan nama

filenya saja dan tidak perlu mengetikkan ekstensionnya.

Save as type : data dapat disimpan dalam berbagai format. Untuk data

SPSS akan disimpan dengan format “sav”.

2. Misalkan kita akan menyimpan data di drive C direktori my document dan

diberi nama “latihan”. Klik kotak “file name” , isikan “latihan”. Terlihat

tampilannya sbb:


31

]

3. Klik “Save “, data akan tersimpan

C. MENGAKTIFKAN/MEMANGGIL FILE DATA Untuk membuka/mengaktifkan file data yang telah ada:

1. Klik “File”, pilih “Open”, geser ke “Data” akan tampil sbb:


32

Terlihat ada beberapa kotak isian

Look in : Anda dapat memilih/mengganti direktori tempat file disimpan.

Secara otomatis tampilan pertama akan muncul direktori SPSS.

File Name : tempat untuk mengetikkan nama file, atau dapat juga dilakukan

dengan meng-klik nama file yang tertampil pada kotak bagian atas file name.

File of type : data dapat disimpan dalam berbagai format yang dapat dipilih

dalam kotak ini. Secara otomatis akan muncul file format SPSS (.sav)

2. Misalkan sekarang akan diaktifkan file data: “Latihan” dari drive c direktori My

Documen, maka caranya klik kotak File name: ketik “latihan”, atau klik

“latihan yang terlihat/tertampil pada kotak di atasnya.


33

3. Kemudian klik Open, data akan muncul di layar.


34

3. TRANSFORMASI / MODIFIKASI DATA Setelah semua data di-entry pada dasarnya anda dapat langsung melakukan

analisis untuk mengetahui informasi yang diinginkan. Namun seringkali data

yang ada tidak semuanya dapat langsung dilakukan analisis. Beberapa data bisa

jadi masih perlu dilakukan modifikasi/transformasi, misalnya untuk keperluan

analisis kita harus mengelompokkan umur menjadi tiga katagori misalnya < 20

th, 20 – 35 th dan > 35 th. Kasus lain, misalnya kita akan membuat variabel

baru hasil dari gabungan beberapa variabel (misalnya variabel sikap diukur oleh

10 pertanyaan/variabel), maka kita harus melakukan aktifitas di SPSS untuk

menggabungkan beberapa variabel tersebut.

Dari uraian di atas tentunya sekarang menjadi jelas ternyata seringkali kita

tidak dapat langsung melakukan analisis, kita harus melakukan

modifikasi/transformasi data. Perlu tidaknya modifikasi dilakukan dapat

dilihat/dicek pada “Definisi Operasional Variabel” dari penelitian/tesis/skripsi kita.

Misalkan dalam penelitian anda definisi variabelnya sbb:

No Variabel Definisi Operasional Hasil Ukur/Skala

1 Lama tugas Rentang waktu berkeja sebagai

petugas puskesmas

Tahun/Rasio

2 Umur Lama waktu hidup yang diukur dari

ulang tahun terakhir

Muda dan tua/

Ordinal

3 Sikap Pernyataan setuju/tidak setuju

terhadap sistem pencatatan dan

pelaporan yang diukur melalui 10

pertanyaan

Baik dan Buruk/

Ordinal

Dari contoh definisis operasional di atas dapat diketahui bahwa variabel ‘Lama

tugas” dapat langsung dianalisis, sedangkan variabel umur dan sikap masih perlu

dilakukan modifikasi/transformasi dengan SPSS. Variabel umur perlu dilakukan


35

pengelompokan menjadi umur muda (misalnya ≤ 30 th) dan tua (< 30 th).

Variabel sikap perlu dibuat dengan cara menjumlahkan skor 10 pertanyaan sikap,

kemudian variabel baru tersebut dilakukan pengelompkkan untuk membuat

katagori baik dan buruk (misal menggunakan cut point: mean). Berikut akan

diuraikan beberapa jenis modifikasi data yang dapat dilakukan di program SPSS

for Window.

1. Mengelompokkan data

#perintah : RECODE Pengelompokan biasanya digunakan untuk mengubah variabel numerik

menjadi variabel katagorik. Pengelompokan dapat dilakukan pada variabel

yang sama atau ke variabel baru yang berbeda. Dianjurkan kalau melakukan

pengelompokan sebaiknya digunakan variabel baru sehingga masih dimiliki

nilai yang asli pada file data.

Coba aktifkan file data ASI.SAV (file ini berisi data penelitian menyusui

eksklusive, yang telah di entry lengkap 50 rsponden)

Sebagai contoh kita akan melakukan pengelompokan umur. Umur akan

diklasifikasikan menjadi 3 kelompok yaitu: <20, 20-30 th, >30 th.

Langkahnya:

1). Pilih “Transform”, sorot “Recode” sorot “Into different variables”


36

Kemudian Klik ‘Into different Variable’

4). Sorot variabel “umur”, lalu klik tanda panah ke kanan sehingga “umur”

berpindah di kotak Input variable Output Variable:

5). Pada kotak Output variable, pada bagian Name ketiklah umur1 (nama

variabel baru untuk umur yang bentuknya sudah katagorik)

6). Klik change sehingga pada kotak Input Variable Output Variable terlihat

umur umur1


37

7). Klik Option “Old and New Value”, nampak kotak Old and New di monitor.

Pada kotak dialog tersebut ada beberapa ada beberapa isian yang harus

diisi. Secara garis besar ada 2 isian yang harus diisi, yaitu ‘Old Value’ (nilai

lama yang akan direcode) dan New Value (nilai baru sebagai hasil ‘recode’

dari nilai lama). Me-recode dapat dilakukan per satu nilai lama atau

jangkauan nilai (range).

8). Sekarang kita akan merecode nilai umur < 20 th menjadi kode 1. Umur

dibawah 20 th, artinya umur terendah/paling muda sampai dengan umur 19

th.

Pindahkan kursor ke kotak Range: ‘lowest through , ketiklah 19 dan

bawa kursor ke bagian kotak ‘new Value’, ketik 1 kemudian klik Add,

hasilnya sbb


38

9). Pindahkan kursor ke kotak Range: through , kita akan

merecode umur 20 s.d 30 th menjadi 2. Pada 2 kotak tersebut isilah 20

dan 30. lalu pindahkan kursor ke kotak ‘New Value’, ketiklah 2, klik ‘Add’.

10). Kita akan melakukan pengkodean berat > 30 th menjadi kode 3. Pada

kotak Range: thrugh highest ketiklah 31. Lalu pindahkan kursor ke

kotak ‘New Value’, ketiklah 3, klik ‘Add’. Langkahnya seperti diatas, dan

akhirnya setelah selesai hasilnya sbb:

Langkah 2

Langkah 3

Langkah 1

Langkah 4


39

11). Klik “Continoue”

12). Klik “OK”, terlihat variabel baru “umur1” sudah terbentuk berada dikolom

paling kanan

nampak variabel baru “umur1” masih menampilkan angka dengan 2 desimal,

anda dapat masuk ke “Variable View”, pada kolom decimal ketik “0”,

kemudian anda dapat juga memberi value label untuk kode 1= ≤ 20 th, 2 =

21 – 30 th dan 3= ≥ 31 th.


40

2. Membuat variabel baru hasil perhitungan matematik

# perintah : COMPUTE Selain fasilitas me-recode yang sudahkita coba untuk mengelompokkan

data, fasilitas SPSS yang lain yaitu membuat variabel baru hasil dari operasi

matematik dari beberapa variabel yang sudah dientry, misal melakukan

penjumlahan, pengurangan, pembagian dan perkalian dll.

Sebagai contoh pada data ASI.SAV ada data berat badan bayi dalam bentuk

satuan gram, sekarang anda diminta untuk membuat variabel baru, berat

badan bayi dalam satuan kilogram.

Adapun caranya:

1). Pastikan anda di posisi tampilan data editor

2). Pilih “Transform”

3). Pilih “Compute”, kemudian muncul kotak dialog ”Compute Variable”.

Pada kotak tersebut terdapat kotak:

“Target Variable” : diisi nama variabel yang akan dibuat, dapat merupakan

variabel yang lama atau yang baru, sebaiknya nama baru


41

“numeric Expression” : diisi rumus yang akan digunakan untuk menghitung

nilai baru pada Target Variable. Rumus yang tertulis dapat mengandung

nama variabel yang sudah ada, operasi matematik dan fungsi. Adapun

operasi matematik yang dapat dilakukan:

+ = penjumlahan

- = pengurangan

* = perkalian

/ = pembagian

** = pangkat

(.) = kurung

4). Misalkan akan membuat variabel baru berat bayi, dengan nama “bayikilo”,

maka pada kotak ‘Target Variable’, ketiklah “bayikilo”

5). Kemudian klik kotak ‘Numeric Expression’, sorot dan pindahkan variabel Bwt

setelah itu bagilah 1000, tampilannya : bbbayi/1000, sehingga terlihat di

layar:

6). Klik “OK”, sesaat kemudian variabel “bayikilo” akan muncul dibagian paling

kanan.


42

3. Membuat variabel baru dengan kondisi

# perintah : IF Dalam pembuatan variabel baru seringkali dihasilkan dari kondisi

beberapa variabel yang ada. Misalnya dalam file “ASI.SAV” terdapat variabel

“umur” dan variabel “berat ibu”. Kemudian kita ingin membuat variabel baru

yang berisi dua kelompok yaitu: risiko tinggi dan ririko rendah. Misalkan variabel

tersebut diberi nama “Risk” dan untuk kelompok risiko rendah (kode 0) dan risiko

tinggi (kode 1). Adapun kriteria risiko tinggi adalah bila responden berumur di

atas 30 tahun dan berat badan dibawah 50 kg. Selain kondisi tersebut

dikelompokkan ke dalam risiko rendah. Dari kasus ini berarti kita diharapkan

membuat variabel baru dengan kondisi variabel umur dan hipertensi. Bagaimana

cara membuat variabel “Risk” tersebut? Ada dua langkah untuk menyelesaikan

kasus ini:

Langkah pertama:

= membuat variabel RISK yang isinya semuanya 0 (risiko rendah)=

1). Pilih “Transform”

2). Pilih “Compute”

3). Pada kotak “Target Variable”, ketiklah “risk”

4). Pada kotak “Numeric Expression”, ketiklah “0”


43

5). Klik “OK”, terlihat dilayar variabel “risk” sudah terbentuk dengan semua

selnya berisi angka 0.

Langkah kedua:

=membuat kondisi risiko tinggi (kode 1) untuk umur >30 dan bb<50

6). Pilih kembali menu “Transform”

7). Pilih kembali ‘Compute”

8). Pada kotak “Target Variable” biarkan tetap berisi “RISK”.


44

9). Pada kotak “Numeric Expression”, hapus angka 0 dan gantilah dengan angka

1.

10). Klik tombol “If ”, sesaat kemudian muncul dialog “ComputeVariable: If

Cases”

11). Klik tombol berbentuk lingkaran kecil: Include if case satisfies condition.

12). Pada kotak di bawah option include …. : ketiklah: umur > 30 & bbibu < 50


45

13). Klik “Continue”

14). Klik “OK”, akan muncul pesan:

15). Klik “OK”, maka terbentuklah variabel “RISK” pada kolom paling kanan

dengan isi 0 dan 1 (0=risiko rendah dan 1= risiko tinggi), kalau menemui data

yang berisi umur diatas 30 tahun dan berat ibu dibawah 50 th, maka isi variabel

RISK akan berubah dari 0 menjadi 1, coba dicek !!!!

Note : setiap kita melakukan perintah : Compute, Recode, atau IF

sebaiknya di croscek, apakah hasilnya betul sesuai yang kita kehendaki


46

4. Memilih sebagian data (SUBSET)

# perintah : SELECT Dalam kondisi tertentu seringkali kita hanya menginginkan mengolah dan

menganalisis hanya data dari kelompok tertentu saja. Misalkan kita punya data

seluruh DKI, tapi kita hanya ingin mengetahui distribusi aktifitas pada ibu hamil

yang tinggal di Jakarta Selatan. Di dalam data tentunya ada variabel yang

menunjukkan wilayah tempat tinggal ibu hamil.

Sebagai contoh kita ingin menganalisis data, hanya untuk ibu yang

menyusui saja,(dalam contoh ini kita masih menggunakan file data ASI.SAV).

caranya:

1). Pilih menu “Data”

2). Pih “Select Cases”

3). Klik pada tombol : If Conditin is satisfied

4). Klik “If “

5). Ketiklh/sorot dan pindah pada kotak dan tuliskan kondisinya yaitu: Eksklu=0

Ket: ibu yang menyusui eksklusive kodenya=0


47

6). Klik “Continue”

7). Perhatikan di bagian bawah pada kotak: Unselected cases are: filtered atau

deleted. Pilihlah filtered artinya data yang tidak dianalisis hanya ditandai

dengan pencoretan nomor kasus. Sedangkan untuk Deleted, artinya kasus

yang tidak terpilih akan dihapus secara permanen. Biasanya digunakan

option: filtered.

8). Klik “OK” sehingga anda kembali ke data editor. Perhatikan pada data editor

ada beberapa kasus yang tidak terpilih (dimatikan), yang ditandai dengan

pencoretan nomor kasusnya. Nomor batang yang dicoret artinya dikeluarkan

dari data, sedangkan yang tidak dicoret merupakan data yang aktif (ibu yang

menyusui eksklusive)


48

5. MENGGABUNG FILE DATA

# perintah : MERGE

Dalam pengolahan data seringkali kita mempunyai tidak satu file data, melainkan

beberapa file data yang tentunya harus digabung kalau kita akan melakukan

analisis data. Teknik penggabungan data ada dua jenis yaitu penggabungan

responden dan penggabungan variabel.

a. Penggabungan responden/case

Misal:

data file pertama, berisi: nomor responden 1 s/d 3

No Umur Didik 1 2 3

20 23 19

1 3 2

Data file kedua, berisi: nomor responden 4 s/d 7

No Umur Didik 4 5 6 7

21 23 20 24

1 4 2 3

Data hasil gabungan, berisi : nomor rsponden 1 s/d 7

No umur Didik 1 2 3 4 5 6 7

20 23 19 21 23 20 24

1 3 2 1 4 2 3


49

Aplikasi di SPSS:

Pastikan anda sudah memasukkan data kedua file, misalnya data pertama

dengan nama Data1.sav dan data kedua dengan nama Data2.sav.

Langkahnya:

1. File ‘data1.sav’ dalam kondisi aktif

2. klik data, sorot Merge Files, sorot Add Cases

3. klik Add Cases

4. Isikan pada kota file name : data2


50

5. klik Open

6. Klik OK, dan akhirnya tergabunglah kedua file data

7. Untuk menyimpan file gabungan, klik Save As isikan nama file baru,

misalnya data12

b. Penggabungan variabel

Data pertama : berisi variabel : no, umur dan didik

no umur Didik 1 2 3 4 5 6 7

20 23 19 21 23 20 24

1 3 2 1 4 2 3

Data kedua, berisi variabel : no, sex, kerja dan berat badan


51

no sex kerja bb 1 2 3 4 5 6 7

2 2 1 2 2 1 2

1 3 2 1 3 2 3

60 45 56 76 56 60 55

Data gabungan, berisi : no, umur, didik, sex, kerja dan bb

no umur Didik sex kerja bb 1 2 3 4 5 6 7

20 23 19 21 23 20 24

1 3 2 1 4 2 3

2 2 1 2 2 1 24

1 3 2 1 3 2 3

60 45 56 76 56 60 55

Langkahnya:

Aplikasi di SPSS:

Pastikan anda sudah memasukkan data kedua file, misalnya data pertama

dengan nama Data3.sav dan data kedua dengan nama Data4.sav.

Langkahnya:

1. File ‘data3.sav’ dalam kondisi aktif

2. klik data, sorot Merge Files, sorot Add Variables


52

3. klik Add Variables

4. klik Open, Klik OK

5. Tampilan sudah tergabung variabelnya, anda tinggal melakukan

penyimpanan “ klik Save As” beri nama file misal namanya Data34

6. Menyimpan hasil olahan/hasil analisis

Hasil analisis akan ditampung pada jendela output (output windows) seperti

tampak pada gambar di bawah ini. Anda dapat mengedit teks langsung pada

windows tersebut. Prosedur yang sering digunakan untuk edit teks, seperti Cut,

Copy dan Paste juga dapat digunakan di jendela output ini. Bila anda akan

menyimpan hasil analisis:

1). Pilih “File”

2). Pilih “Save SPSS Output”

3). Ketik/isikan nama file-nya

4). Klik “OK”


53

Frequencies

Statistics

RISK50

ValidMissing

N

RISK

2 40.0 40.0 40.03 60.0 60.0 100.05 100.0 100.0

12Total

ValidFrequency Percent Valid Percent

CumulativePercent


54

UJI INSTRUMEN

A. Uji validitas dan Reliabilitas Kuesioner Salah satu masalah dalam suatu penelitian adalah bagaimana data yang

diperoleh adalah akurat dan objektif. Hal ini sangat penting dalam penelitian

karena kesimpulan penelitian hanya akan dapat dipercaya (akurat). Data yang

kita kumpulkan tidak akan berguna bilamana alat pengukur yang digunakan

untuk mengumpulkan data penelitian tidak mempunyai validitas dan reliabilitas

yang tinggi.

VALIDITAS

Validitas berasal dari kata Validity yang mempunyai arti sejauhmana

ketepatan suatu alat ukur dalam mengukur suatu data. Misalnya bila seseorang

akan mengukur cincin, maka dia harus menggunakan timbangan emas. Dilain

pihak bila seseorang ingin menimbang berat badan, maka dia harus

menggunakan timbangan berat badan. Jadi dapat disimpulkan bahwa timbangan

emas valid untuk mengukur berat cincin, tapi timbangan emas tidak valid untuk

menimbang berat badan.

RELIABILITAS

Realibilitas adalah suatu ukuran yang menunjukkan sejauhmana hasil

pengukuran tetap konsisten bila dilakukan pengukuran dua kali atau lebih

terhadap gejala yang sama dan dengan alat ukur yang sama. Misalkan seseorang

ingin mengukur jarak dari satu tempat ke tempat lain dengan menggunakan dua

jenis alat ukur. Alat ukur pertama denganmeteran yang dibuatdari logam,

sedangkan alat ukur kedua dengan menghitung langkah kaki. Pengukuran

3


55

dengan meteran logam akan mendapatkan hasil yang sama kalau

pengukurannya diulang dua kali atau lebih. Sebaliknya pengukuran yang

dilakukan dengan kaki, besar kemungkinan akan didapatkan hasil yang berbeda

kalau pengukurannya diulang dua kali atau lebih. Dari ilustrasi ini berarti meteran

logam lebih reliable dibandingkan langkah kaki untuk mengukur jarak.

CARA MENGUKUR VALIDITAS

Untuk mengetahui validitas suatu instrumen (dalam hal ini kuesioner)

dilakukan dengan cara melakukan korelasi antar skor masing-masing variabel

dengan skor totalnya. Suatu variabel (pertanyaan) dikatakan valid bila skor

variabel tersebut berkorelasi secara signifikan dengan skor totalnya.

Teknik korelasi yang digunakan korelasi Pearson Product Moment:

Keputusan uji:

Bila r hitung lebih besar dari r tabel Ho ditolak, artinya variabel valid

Bila r hitung lebih kecil dari r tabel Ho gagal ditolak, artinya variabel tidak

valid

CARA MENGUKUR RELIABILITAS

Pertanyaan dikatakan reliabel jika jawaban seseorang terhadap

pertanyaan adalah konsisten atau stabil dari waktu ke waktu. Jadi jika misalnya

responden menjawab “tidak setuju” terhadap perilaku merokok dapat

mempertinggi kepercayaan diri, maka jika beberapa waktu kemudian ia ditanya

lagi untuk hal yang sama, maka seharusnya tetap konsisten pada jawabab

semula yaitu tidak setuju.

Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara :

r = N (ΣXY)- (ΣXΣY) V[NΣX2 – (ΣX)2][NΣY2 – (ΣY)2]


56

a. Repeated Measure atau ukur ulang. Pertanyaan ditanyakan pada

reponden berulang pada waktu yang berbeda (misal sebulan kemudian),

dan kemudian dilihat apakah ia tetap konsistendengan jawabannya

b. One Shot atau diukur sekali saja. Disini pengukurannya hanya sekali dan

kemudian hasilnya dibandingkan dengan pertanyaan lain. Pada umumnya

pengukuran dilakukan dengan One Shot dengan beberapa pertanyaan

Pengujian reliabilitas dimulai dengan menguji validitas terlebih dahulu.

Jadi jika pertanyaan tidak valid, maka pertanyaan tersebut dibuang. Pertanyaan-

pertanyaan yang sudah valid kemudian baru secara bersama-sama diukur

reliabilitasnya.


57

KASUS:

UJI VALIDITAS DAN RELIABILITAS KUESIONER

Lakukan uji validitas dan reliabilitas kuesioner untuk mengetahui

tingkat stress pekerja industri. Untuk mengukur stress digunakan 5

pertanyaan. Uji coba dilakukan pada 15 responden dengan bentuk

pertanyaan sbb:

1. Apkah anda sering terpaksa bekerja lembur?

1. tidak pernah 2. jarang 3.kadang-kadang 4. sering 5. selalu

2. Menurut anda, apakah dalam hidup ini perlu bersaing?

1. tidak pernah 2. jarang 3. kadang-kadang 4. perlu 5. sangat perlu

3. Apakah anda mudah marah?

1. tidak 2. jarang 3. kadang-kadang 4. sering 5. Ya

4. Apakah anda sering terjadi konflik dengan keluarga?


5. Apakah anda sering terjadi konflik dengan teman kerja?


Hasil pretest pada 15 responden, sbb:

No P1 P2 P3 P4 P5 1 4 3 4 4 4 2 1 1 1 1 1 3 1 2 1 1 1 4 4 4 3 4 4 5 2 4 2 2 2 6 3 3 3 3 3 7 4 1 4 4 4 8 1 1 1 1 1 9 3 3 3 3 3 10 2 3 2 2 2 11 1 1 1 1 1 12 2 2 2 2 2 13 4 2 4 3 4 14 3 1 3 3 3 15 2 3 2 2 2


58

Ujilah kelima pertanyaan diatas apakah sudah valid dan reliabel

Penyelesaian:

Langkahnya:

1. Masukkan data tersebut ke SPSS

2. Klik ‘Analyze’

3. Pilih ‘Scale’

4. Pilih ‘Reliability Analysis’

5. Masukkan semua variabel ke dalam kotak ‘Items’ (ingat variabel yang

masuk hanya variabel yang akan diuji saja, yaitu P1, P2, P3, P4 dan P5)

bentuknya sbb:


59

6. Pada ‘Model’, biarkan pilihan pada ‘Alpha’

7. Klik Option ‘Statistics’

8. Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’, Scale if Item deleted.

9. Klik ‘Continue’

10. Klik ‘OK’., terlihat hasil outputnya sbb :

Reliability Statistics

.928 5

Cronbach'sAlpha N of Items

Item Statistics

2.47 1.187 152.27 1.100 152.40 1.121 152.40 1.121 152.47 1.187 15

sering terpaksa lemburBersaing dlm hidupMudah marahkonflik keluargakonflik dgn teman

Mean Std. Deviation N


60

Item-Total Statistics

9.53 15.124 .963 .8819.73 20.924 .328 .9939.60 15.971 .915 .8929.60 15.686 .955 .8849.53 15.124 .963 .881

sering terpaksa lemburBersaing dlm hidupMudah marahkonflik keluargakonflik dgn teman

Scale Mean ifItem Deleted

ScaleVariance if

Item Deleted

CorrectedItem-TotalCorrelation

Cronbach'sAlpha if Item

Deleted

Interpretasi:

Hasil analisis reliability memperlihatkan dua bagian. Bagian utama menunjukkan

hasil statistik deskriptif masing-masing variabel dalam bentuk mean, varian dll.

Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas.

Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas

kuesioner baru dilanjutkan uji reliabilitas.

a. Uji Validitas

Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r

tabel dengan nilai r hitung.

*) Menentukan nilai r tabel

Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan df = n-

2 15-2=13. Pada tingkat kemaknaan 5%, didapat angka r tabel = 0,514

**) Menentukan nilai r hasil perhitungan

Nilai r hasil dapat dilihat pada kolom “Corrected item-Total Correlation”

***) Keputusan

Masing-masing pertanyaan/variabel dibandingkan nilai r hasil dengan nilai r

tabel, ketentuan: bila r hasil > r tabel, maka pertanyaan tersebut valid.

Kesimpulan:

Terlihat dari 5 pertanyaan, ada satu pertanyaan yaitu P2 (r=0,3275) yang

nilainya lebih rendah dari r tabel (r=0,514). Sehingga pertanyaan P2 tidak valid,

sedangkan untuk pertanyaan P1, P3, P4 dan P5 dinyatakan valid.


61

Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan

yang tidak valid. Lakukan prosedur/langkah seperti di atas yaitu:

1. Klik ‘Analyze’

2. Pilih ‘Scale’

3. Pilih ‘Reliability Analysis’

4. Masukkan keempat variabel ke dalam kotak ‘Items’ (variabel P2 tidak ikut

dianalisis)

5. Klik “OK” Kemudian muncul tampilan Output sbb:

Reliability Statistics

.993 4

Cronbach'sAlpha N of Items

Item Statistics

2.47 1.187 152.40 1.121 152.40 1.121 152.47 1.187 15

sering terpaksa lemburMudah marahkonflik keluargakonflik dgn teman

Mean Std. Deviation N

Item-Total Statistics

7.27 11.495 .996 .9887.33 12.095 .971 .9947.33 12.095 .971 .9947.27 11.495 .996 .988

sering terpaksa lemburMudah marahkonflik keluargakonflik dgn teman

Scale Mean ifItem Deleted

ScaleVariance if

Item Deleted

CorrectedItem-TotalCorrelation

Cronbach'sAlpha if Item

Deleted

Interpretasi:

Sekarang terlihat bahwa dari keempat pertanyaan, semua mempunyai nilai r

hasil (Corrected item-Total Correlation) berada di atas dari niali r tabel

(r=0,514), sehingga dapat disimpulkan keempat pertanyaan tersebut valid.


62

b. Uji Reliabilitas

setelah semua pertanyaan valid semua, amnalisis dilanjutkan dengan uji

reliabilitas. Untuk mengetahui reliabilitas caranya adalah; membandingkan nialia

r hasil dengan r tabel.dalam uji reliabilitas sebagai nilai r hasil adalah nilai

“Alpha” (terletak di akhir output). Ketentuannya: bila r Alpha > r tabel, maka

pertanyaan tersebut reliabel

Dari hasil uji di atas ternyata, nilai r Alpha (0,9935) lebih besar dibandingkan

dengan nilai r tabel, maka keempat pertanyaan di atas dinyatakan reliabel.

B. Uji Interrater Reliability Dalam melakukan penelitian dengan metode observasi seringkali antara peneliti

dengan numerator (pengumpul data) terjadi perbedaan persepsi terhadap

kejadian yang diamati. Agar data yang dihasilkannya valid, maka harus ada

penyamaan persepsi antara peneliti dengan petugas pengumpul data

(numerator). Uji interrater Reliability merupakan jenis uji yang digunakan untuk

menyamakan persepsi antara peneliti dengan petugas pengumpul data. Alat

yang digunakan untuk uji Interrater adalah uji statistik Kappa.

Prinsip ujinya: bila hasil uji Kappa signifikan/bermakna maka persepsi antara

peneliti dengan numerator sama, sebaliknya bila hasil uji kappa tidak

signifikan/bermakna, maka persepsi antara peneliti dengan numerator terjadi

perbedaan.

Contoh :

Suatu penelitian praktek keperawatan keluarga terdapat instrumen yang

berbentuk observasi terhadap perilaku perawat merawat pasien. Pertanyaanya:


63

Apakah dalam melakukan komunikasi dengan pasien bersifat ramah ?

1. ya 2. tidak

Kemudian dilakukan uji coba dengan pengamatan sebanyak 10 pasien, adapun

hasilnya sbb:

No pasien peneliti numerator

1 1 2

2 2 2

3 1 1

4 2 1

5 1 1

6 2 2

7 1 1

8 2 2

9 2 2

10 2 2

Ujilah apakah ada kesepakatan antara peneliti dengan numerator:

Langkah:

1. data di entry di SPSS

2. Klik analysis, sorot Descriptif, sorot dan klik Crostab

3. Masukkan variabel ‘peneliti’ ke bagian Row dan masukkan variabel

‘numerator’ ke bagian colom.

4. Klik tombol Statistic, klik Kappa

5. Klik Continue

6. Klik OK, dan hasilnya


64

Symmetric Measures

.583 .262 1.845 .06510

KappaMeasure of AgreementN of Valid Cases

ValueAsymp.

Std. Errora Approx. Tb Approx. Sig.

Not assuming the null hypothesis.a.

Using the asymptotic standard error assuming the null hypothesis.b.

Hasil uji didapatkan nilai koefisien kapaa sebesar 0,583 dan p valuenya sebesar

0,065. Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak

signifikan/bermakna, sehingga kesimpulannya: ada perbedaan persepsi

mengenai aspek yang diamati antara peneliti dengan numerator.


65

PENGANTAR

ANALISIS DATA

1. Pendahuluan

Setelah kita selesai melakukan pengolahan data, maka langkah selanjutnya

adalah menganalisis data. Data mentah (raw data) yang sudah susah payah kita

kumpulkan tidak akan ada artinya jika tidak dianalisis. Analisis data merupakan

kegiatan yang sangat penting dalam suatu penelitian, karena dengan analisislah

data dapat mempunyai arti/makna yang dapat berguna untuk memecahkan

masalah penelitian.

Analisis mempunyai posisi strategis dalam suatu penelitian. Namun perlu

dimengerti bahwa dengan melakukan analisis tidak dengan sendirinya dapat

langsung memberi jawaban penelitian, untuk itu perlu diketahui bagaimana

menginterpretasi hasil penelitian tersebut. Menginterpretasi berarti kita

menjelaskan hasil analisis guna memperoleh makna/arti.

Interpretasi mempunyai dua bentuk, yaitu arti sempit dan arti luas.

Interpretasi dalam arti sempit (deskriptif) yaitu interpretasi data dilakukan hanya

sebatas pada masalah penelitian yang diteliti berdasarkan data yang

dikumpulkan dan diolah untuk keperluan penelitian tersebut. Sedangkan

interpretasi dalam arti luas (analitik) yaitu interpretasi guna mencari makna data

hasil penelitian dengan jalan tidak hanya menjelaskan/menganalisis data hasil

penelitian tersebut, tetapi juga melakukan inferensi (generalisasi) dari data yang

diperoleh dengan teori-teori yang relevan dengan hasil-hasil penelitian tersebut.

Pada umumnya analisis data bertujuan untuk:

a. Memperoleh gambaran/deskripsi masing-masing variabel

4


66

b. Membandingkan dan menguji teori atau konsep dengan informasi yang

ditemukan

c. Menemukan adanya konsepbaru dari data yang dikumpulkan

d. Mencari penjelasan apakah konsep baru yang diuji berlaku umum atau hanya

berlaku pada kondisi tertentu

Seberapa jauh analisis suatu penelitian akan dilakukan tergantung dari:

a. Jenis penelitian

b. Jenis sampel

c. Jenis data/variabel

d. Asumsi kenormalan distribusi data

a. Jenis Penelitian

Jika ingin mengeahui bagaimana pada umumnya (secara rata-rata) pendapat

masyarakat akan suatu hal tertentu, maka pengumpulan data dilakukan dengan

survei. Dari kasus ini maka dapat dilakukan analisis data dengan pendekatan

kuantitatif. Namun bila kita menginginkan untuk mendapatkan

pendapat/gambaran yang mendalam tentang suatu fenomena, maka data dapat

dikumpulkan dengan fokus grup diskusi atau observasi, maka analisisnya

menggunakan pendekatan analisis kualitatif.

c. Jenis Sampel

Analisis sangat tergantung pada jenis sampel yang dibandingkan, apakah kedua

sampel independen atau dependen. Misalnya pada penelitian survei yang tidak

menggunakan sampel yang sama, dapat digunakan uji statistik yang

mengasumsikan sampel yang independen. Misalkan survei untuk mengetahui

apakah ada perbedaan berat badan bayi antara bayi-bayi yang dilahirkan dari ibu

perokok dengan bayi-bayi dari ibu yang tidak merokok. Disini berarti kelompok

ibu perokok dan kelompok ibu bukan perokok bersifat independen.


67

Sedangkan untuk penelitian eksperimen yang sifatnya pre dan post (sebelum dan

sesudah adanya perlakuan tertentu dilakukan pengukuran) maka uji yang

digunakanadalah uji statistik utnuk data yang dependen. Misalnya, suatu

penelitian ingin mengetahui pengaruh penelitian manajemen terhadap kinerja

petugas kesehatan. Pertanyaan penelitiannya “Apakah ada perbedaan kinerja

petugas kesehatan antara sebelum dan sesudah mendapatkan pelatihan

manajemen?”. Dalam penelitian ini sampel kelompok petugas kesehatan bersifat

dependen, karena pada kelompok (orang) yang sama diukur dua kali yaitu pada

saat sebelum pelatihan (pre test) dan sesudah dilakukan pelatihan (Post Test).

c. Jenis Data/Variabel

Data denganjenis katagori berbeda cara analisisnya dengan data jenis numerik.

Beberapa pengukuran/uji statistik hanya cocok untuk jenis data tertentu. Sebagai

contoh, nilai proporsi/persentase (pada analisis univariat) biasanya cocok untuk

menjelaskan data berjenis katagorik, sedangkan untuk data jenis numerik

biasanya dapat menggunakan nilai rata-rata untuk menjelaskan karakteristiknya.

Untuk analisis hubungan dua variabel (analsis bivariat), uji kai kuadrat hanya

dapat dipakai untuk mengetahui hubungan data katagori dengan data katagori.

Sebaliknya untuk mengetahui hubungan numerik dengan numerik digunakan uji

korelasi/regresi.

d. Asumsi Kenormalan

Jenis analisis yang akan dilakukan sangat tergantung dari bentuk distribusi

datanya. Bila distribusi datanya tidak normal, maka sebaiknya digunakan

prosedur uji statitik nonparametrik. Sedangkan bila asumsi kenormalan dapat

dipenuhi maka dapat digunakan uji statistik parametrik.

Berikut ini akan dijelaskan langkah-langkah analisis (pendekatan

kuantitatif):

1. Analisis Deskriptif (Univariat).


68

Tujuan dari analisis ini adalah untuk menjelaskan/mendiskripsikan

karakteristik masing-masing variabel yang diteliti. Bentuknya tergantung dari

jenis datanya. Untuk data numerik digunakan nilai mean (rata-rata), median,

standard deviasi dan inter kuartil range, minimal maksimal.

2. Analisis Analitik (Bivariat)

Setelah diketahui karakteristik masing-masing variabel dapat diteruskan

analisis lebih lanjut. Apabila diinginkan analisis hubungan antar dua variabel,

maka analisis dilanjutkan pada tingkat bivariat. Misalnya ingin diketahui

hubungan antara berat badan dengan tekanan darah. Untuk mengetahui

hubungan dua variabel tersebut biasanya digunakan pengujian statistik. Jenis

uji statistik yang digunakan sangat tergantung jenis data/variabel yang

dihubungkan.

3. Analisis Multivariat

Merupakan analisis yang menghubungkan antara beberapa variabel

independen dengan satu variabel dependen.

Secara lebih khusus/detail analisis univariat, bivariat dan multivariat akan

dipelajari pada bab tersendiri yaitu bab 5, 6 dan 7


69

ANALISIS UNIVARIAT ( DESKTIPTIF)

Tujuan dari analisis ini adalah untuk menjelaskan/mendeskriptifkan

karakteristik masing-masing variabel yang diteliti. Dalam analisis data kuantitatif

kita dihadapkan pada kumpulan data yang besar/banyak yang belum jelas

maknanya. Fungsi analisis sebetulnya adalah menyederhanakan atau meringkas

kumpulan data hasil pengukuran sedemikian rupa sehingga kumpulan data

tersebut berubah menjadi informasi yang berguna. Peringkasan tersebut berupa

ukuran-ukuran statistik, tabel dan juga grafik.

Secara teknis pada dasarnya analisis merupakan kegiatan meringkas

kumpulan data menjadi ukuran tengah dan ukuran variasi. Selanjutnya

membandingkan gambaran-gambaran tersebut antara satu kelompok subyek dan

kelompok subyek lain, sesuai dengan tujuan yang ingin dicapai dalam analisis.

Berbicara peringkasan data (yang berwujud ukuran tengah dan ukuran

variasi) jenis data (apakah numerik atau katagorik) akan sangat menentukan

bentuk peringkasan datanya. Berikut akan diuraikan bentuk/cara peringkasan

data untuk data numerik dan data katagorik.

1. Peringkasan Data Untuk Data Jenis Numerik

a. Ukuran Tengah

Ukuran tengah merupakan cerminan dari konsentrasi nilai-nilai hasil

pengukuran. Berbagai ukuran dikembangkan utnuk mencerminkan ukuran

tengah tersebut, dan yang paling sering dipakai adalah mean, median dan

mode/modus.

1). Mean

5


70

Mean/average adalah ukuran rata-rata yang merupakan hasil dari jumlah

semua nilai pengukuran dibagioleh banyaknya pengukuran. Secara sederhana

perhitungan nilai mean dapat dituliskan dengan rumus :

Keuntungan nilai mean adalah mudah menghitungnyadan sudah melibatkan

seluruh data dalam penghitungannya. Namun kelemahan dari nilai mean

adalah sangat dipengaruhi oleh nilai ekstrim, baik ekstrim tinggi maupun

rendah. Oleh karena itu pada kelompok data yang ada nilai ekstrimnya

(sering dikenal dengan ‘distribusi data yang menceng/miring’), Mean tidak

dapat mewakili rata-rata kumpulan nilai pengamatan. Sebagai contoh data

yang ada nilai ekstrimnya adalah data penghasilan. Apabila mean

perndapatan perbulan adalah Rp 10.000.000,- , sebenarnya sebagian besar

orang pendapatannya di bawah Rp 10.000.000,- . Mean sebesar Rp

10.000.000,- diperoleh karena tarikan sekelompok kecil orang (misalnya

konglomerat) yang pendapatannya sangat tinggi. Dengan demikian

penggunaan mean untuk data yang ada nilai ekstrimnya (data yang

distribusinya menceng) kurang tepat.

Contoh; ada 5 pasien diukur lama hari rawatnya : 1 hr, 3 hr, 4 hr, 2 hr, 90 hr.

Mean = (1+3+4+2+90)/5 = 20 hr.

Dari hasil penghitungan didapatkan rata-rata lama hari rawat 20 hari, hasil ini

tendtunya tidak dapat mewakili karena secara visual datanya sebagian besar

kurang dari 5 hari. Keadaan ini bisa terjadi karena kumpulan data di atas ada

nilai ekstrimnya.

2). Median

Median adalah nilai dimana setengah banyaknya pengamatan mempunyai

nialai di bawahnya dan setengahnya lagi mempunyai nilai di atasnya. Berbeda

dengan nilai mean, penghitungan median hanya mempertimbangkan urutan

nilai dasil pengukuran, besar beda antar nilai di abaikan. Karena

X = Σ Xi / n


71

mengabaikan besar beda, maka median tidak dipengaruhi oleh nilai ekstrim.

Prosedur penghitungan median melalui langkah

a). Data diurutkan/di-array dari nilai kecil ke besar

b). Hitung posisi median dengan rumus (n+1)/2

c). Hitung nilai mediannya

Contoh ada usia 6 mahasiswa 20 th, 26 th, 24 th, 30 th, 40 th, 36 th

Data diurutkan: 20, 24, 26, 30, 36, 40

Posisi = (6+1)/2 = 3,5

Mediannya adalah data yang urutannya ke 3,5 yaitu (26 + 30)/2 = 28

Jadi 50% mahasiswa berumur dibawah 28 tahun dan 50% mahasiswa

berumur di atas 28 tahun

3). Mode/Modus

Mode adalah nilai pengamatan yang mempunyai frekuensi/jumlah terbanyak.

Contoh mode data umur mahasiswa: 18 th, 22 th, 21 th, 20 th, 23th, 20 th.

Dari data tersebut berarti mode-nya adalah 20 tahun

Bentuk Distribusi Data Hubungan nilai mean, median dan mode akan menentukan bentuk

distribusi data:

- Bila nilai mean, median dan mode sama, maka bentuk distribusi datanya

normal

- Bila nilai mean > median > mode, maka bentuk distribusi datanya

menceng/miring ke kanan

- Bila nilai mean < median < mode, maka bentuk distribusi datanya menceng

/miring ke kiri


72

b. Ukuran Variasi

Nilai-nilai hasil pengamatan akan cenderung saling berbeda satu sama lain

atau dengan kata lain hasil pengamatan akan bervariasi. Untuk menegtahui

seberapa jauh data bervariasi digunakan ukuran variasi antara lain range, jarak

linier kuartil dan standard deviasi.

1). Range

Range merupakan ukuran variasi yang paling dasar, dihitung dari selisih nilai

terbesar dengan nilai terkecil. Kelemahan range adalah dipengaruhi nilai

ekstrim. Keuntungan penghitungan dapat dilakukan dengan cepat.

2). Jarak Inter Quartil

Nilai observasi disusun berurutan dari nilai ke cil ke besar, kemudian

ditentukan kuartil bawah dan atas. Kuartil merupakan pembagiandata

menjadi 4 bagian yang dibatasi oleh tiga ukuran kuartil, yaitu kuartil I, kuartil

II dan kuartil III.

Kuartil I mencakup 25% data berada di bawahnya dan 75% data berada di

atasnya.

Kuartil II (median) mencakup 50% data berada di bawahnya dan 50% data

berada di atasnya.

Kuartil III mencakup 75% data berada di bawahnya dan 25% data berada di

atasnya.

Jarak inter kuartil adalah selisih anatar kuaril III dan kuaril I. Ukuran ini lebih

baik dari range, terutama kalau frekuensi pengamatan banyak dan distribusi

sangat menyebar.

3). Standard Deviasi

Variasi data yang diukur melalui penyimpangan/deviasi dari nilai-nilai

pengamatan terhadap nilai mean-nya. Rata-rata hitung dari kuadrat deviasi

terhadap mean disebut varian, yang rumusnya;

Varian = Σ(Xi – X)2

n


73

Semakin besar nilai varian akan semakin bervariasi, karena satuan varian

(kuadrat) yang tidak sama dengan satuan nilai pengamatan, maka

dikembangkan suatu ukuran variasi yang mempunyai satuan yang sama

dengan satuan pengamatan, yaitu Standard Deviasi.

Standard Deviasi merupakan akar dari varian:

Seperti halnya varian, semakin besar SD semakin besar variasinya. Apabila

tidak ada variasi, maka SD=0

Dari uraian tersebut dapat disimpulkan, untuk data numerik digunakan

niali mean (rata-rata), median, standard deviasi dan inter quartil range, miinimal

dan maksimal. Bila data yang terkumpul tidak menunjukkan adanya nilai ekstrim

(distribusi normal), maka perhituungan nilai mean dan standard deviasi

merupakan cara analisis univariat yang tepat. Seddangkan bila dijumpai nilai

ekstrim 9distribusi data tidak normal), maka nilai nedian dan inter quartil range

(IQR) yang lebih tepat dibandingkan nilai mean.

2. Peringkasan Data Katagorik

Berbeda dengan data numerik, peringkasan, (baik ukuran tengah maupun

ukuran variasi) tidak beragam jenisnya. Pada data katagorik peringkasan data

hanya menggunakan distribusi frekuensi dengan ukuran persentase atau

proporsi. Bila data berjenis katagorik, tentunya informasi/peringkasan yang

penting disampaikan tidak mungkin/tidak lazim menggunakan ukuran mean atau

median. melainkan informasi jumlah dan persentase yang disajikan. Untuk

ukuran variasi, pada data katagorik variasi maksimal apabila jumlah antar

katagori sama.

Standard deviasi (S atau SD = Σ(Xi – X)2

n


74

Contoh: Kelas A: mahasiswa 50 dan mahasiswi 50

Kelas B: mahasiswa 90 dan mahasiswi 10

Pada kelas A, jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria

dan 50% wanita.

Pada kelas B, jenis kelamin mahasiswa tidak bervariasi (homogen pada pria)

karena pria 90% dan wanita hanya 10%.

3. Bentuk Penyajian Data

Bentuk penyajian analisis univariat dapat berupa tabel atau grafik. Namun

perlu diingat bahwa kita dianjurkan hanya memilih salah satu, tidak

diperkenankan secara sekaligus menggunakan tabel dan juga grafik dalam

m,enyampaikan informasi suatu data/variabel.

Contoh penyajian analisis deskriptif:

a. Data numerik

Tabel 1

Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 1999

Variabel Mean

Median

SD

Minimal- Maksimal

1. Umur 30,3

31,1

10,1

17 – 60

2. Lama hari rawat 10,1

7,0

8,9

2 – 60


75

b. Data katagorik

Tabel 2

Distribusi Responden Menurut Tingkat Pendidikan Pasien Rumah sakit X

tahun 1999

Pendidikan Jumlah Persentase

SD 60 60,0

SMP 30 30,0

SMU 10 10,0

Total 100 100,0

Bagaimana menginterpretasi tabel di atas?

“dilihat konsentrasi/jumlah yang terbesar data pada kelompok mana?”

Selain untuk mendeskripsikan masing-masing variabel, analisis univariat

dapat juga sekaligus untuk mengeksplorasi variabel yang dapat berguna dalam

mendiagnosis asumsi statistik lanjut (terutama untuk variabel jenis numerik),

misalnya apakah variannya homogen atau heterogen, apakah distribusinya

normal atau tidak. Eksplorasi data juga dapat untuk mendeteksi adanya nilai

ekstrim/outlier, bila ada nilai ekstrim sangat menentukan analisis selanjutnya

(bivariat) apakah nilainya akan berkurang.


76

KASUS :

ANALISIS DESKRIPTIF (UNIVARIAT) Tujuan analisis ini adalah untuk mendeskripsikan karakteristik masing-

masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk

data numerik digunakan nialai mean (rata-rata), median, standard deviasi dll.

Sedangkan untuk data katagorik tentunya hanya dapat menjelaskan angka/nilai

jumlah dan persentase masing-masing kelompok. Berikut akan dipelajari cara

mengeluarkan analisis deskriptif di SPAA, dimulai untuk variabel katagorik

(sebagai latihan digunakan variabel ‘pendidikan’) dan kemudian dilanjutkan

variabel numerik (variabel umur).

a. Data Katagorik

Untuk menampilkan tabulasi data katagorik digunakan tampilan frekuensi.

Sebagai contoh kita akan menampilkan tabel distribusi frekuensi untuk variabel

pendidikan dari file ‘ASI.SAV’.

1. Dari menu utama SPSS pilih ‘Analyze’, kemudian ‘Descriptive Statistic’ dan

pilih ‘Frequencies’, sehingga muncul tampilan:

2. Sorot variabel ‘didik’. Klik tanda panah dan masukkan ke kotak “Variable (s)”


77

3. Klik ‘OK’, hasil dapat dilihat di jendela output, seperti sbb:

Frequencies

Statistics

pendidikan formal ibu menyusui50

0ValidMissing

N

pendidikan formal ibu menyusui

10 20.0 20.0 20.011 22.0 22.0 42.016 32.0 32.0 74.013 26.0 26.0 100.050 100.0 100.0

1234Total


CumulativePercent

Kolom ‘Frequency’ menunjukkan jumlah kasus dengan nilai yang sesuai. Pada

contoh di atas, total responden 50 orang, dari jumlah tersebut 10 ibu yang

berpendidikan SD, proporsi dapat dilihat pada kolom ‘Percent’, pada contoh di

atas ada 20% ibu yang berpendidikan SD. Kolom ‘Valid Percent’ memberi hasil

yang sama karena pada data ini tidak ada ’missing cases’. ‘Cumulative Percent’


78

menjelaskan tentang persent kumulatif. Pada contoh di atas ada 42,0% ibu yang

tingkat pendidikannya SD dan SMP. Dalam menginterpretasikan tabel katagorik

dapat dilihat dari variasi dan konsentrasi datanya.

Penyajian dan Interpretasi di Laporan Penelitian

Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di

laporan penelitian/laporan tesis. Adapun penyajian dan interpretasinya sbb:

Tabel …

Distribusi Responden Menurut Tingkat Pendidikan

Di ………… X tahun ….

Pendidikan Jumlah Persentase

SD 10 20,0

SMP 11 22,0

SMU 16 32,0

PT 13 26,0

Total 50 100,0

Distribusi tingkat pendidikan responden hampir merata untuk masing-masing

tingkat pendidikan. Paling banyak responden berpendidikan SMU yaitu 16 orang

(32,0%) sedangkan untuk pendidikan SD, SMP dan PT masing-masing 20,0%,

22,0% dan 26,0%.

b. Data Numerik

Pada data numerik, peringkasan data dapat dilakukan dengan melaporkan

ukuran tengah dan sebarannya. Ukuran yang digunakan adalah rata-rata,

median dan modus. Sedangkan ukuran sebarannya (variasi) yang digunakan

adalah range, standard deviasi, minimal dan maksimal. Pada SPSS ada dua cara

untuk mengeluarkan analisis deskriptif yaitu dapat melalaui perintah

‘Frequencies’ atau perintah ‘Expolre’. Biasanya yang digunakan adalah


79

Frequencies oleh karena ukuran statistik yang dapat dihasilkan pada menu

‘Frequencies’ sangat lengkap (seperti mean, median, varian dll), selain itu pada

perintah ini juga dapat ditampilkan grafik histogram dan kurve normalnya.

Berikut akan dicoba mengeluarkan analisis deskriptif untuk variabel umur dengan

menggunakan perintah frequencies.

1. Aktifkan data “susu.sav”

2. Pilih ‘Analyze’

3. Pilih ‘Descriptive Statistic’

4. Pilih ‘Frequencies’, terlihat kotak frequencies:

5. Sorot variabel yang akan dianalisis, sorot umur, dan klik tanda

panahsehingga umur masuk ke kotak variable (s).

6. Klik tombol option ‘Statistics…’, pilih ukuran yang anda minta misalnya mean,

median, standard seviasi, minimum, maximum, SE.


80


8. Klik tombol option ‘Charts’ lalu muncul menu baru dan klik ‘Histogram’, lalu

klik ‘With Normal Curve’


10. Klik ‘OK’, dan pada layar terlihat distribusi frekuensi disertai ukuran statistik

yang diminta dan dibawahnya tampak grafik histogram beserta curve

normalnya.

Frequencies

Statistics

Umur ibu menyusui50

0ValidMissing

N


81

Statistics

umur ibu menyusui50

025.10

.68624.00

194.850

1935

ValidMissing

N

MeanStd. Error of MeanMedianModeStd. DeviationMinimumMaximum

umur ibu menyusui

7 14.0 14.0 14.03 6.0 6.0 20.03 6.0 6.0 26.05 10.0 10.0 36.05 10.0 10.0 46.04 8.0 8.0 54.02 4.0 4.0 58.05 10.0 10.0 68.03 6.0 6.0 74.03 6.0 6.0 80.03 6.0 6.0 86.03 6.0 6.0 92.02 4.0 4.0 96.02 4.0 4.0 100.0

50 100.0 100.0

1920212223242526273031323435Total


CumulativePercent


82

3530252015

umur ibu menyusui

7

6

5

4

3

2

1

0

Freq

uenc

y

Mean = 25.1Std. Dev. = 4.85N = 50

Histogram

Dari hasil di atas, nilai rata-rata dapat dilihat pada baris mean, sedangkan

nilai standard deviasi dapat dilihat pada baris std. Seviation. Pada contoh di atas,

rata-rata umur ibu adalah 25,10 tahun, median 24,0 tahun dan standard deviasi

4,85 tahun dengan umur termuda 19 tahun dan yang tertua 35 tahun. Distribusi

frekuensi ditampilkan menurut umur termuda sampai dengan umur tertua

dengan informasi tentang jumlah dan persentasenya. Bentuk distribusi data

dapat diketahui dari grafik histogram dan kurve normalnya. Dari tampilan grafik

dapat dilihat bahwa distribusi variabel umur berbentuk normal

Dari hasil di atas belum diperoleh informasi estimasi interval yang penting untuk

melakukan estimasi parameter populasi. Bila anda ingin memperoleh estimasi

interval lakukan analisis eksplorasi data dengan perintah ‘Explore’. Adapun

caranya sbb:

1. Dari menu utama SPSS, pilih menu ‘Analyze’, kemudian pilih submenu

‘descriptive Statistics’, lalu pilih ‘Explore’


83

2. Isikan kotak ‘Dependent List’ dengan variabel ‘umur’, kotak ‘Factor List’ dan

‘Label Cases By’ biarkan kosong, sehingga tampilannya sbb:

3. Klik tombol ‘Plots’, dan pilih ‘Normality Plots With Test’


5. Klik ‘OK’, hasilnya dapat dilihat di layar:

Explore


84

Descriptives

25.10 .68623.72

26.48

24.9024.00

23.5204.850

193516

9.547 .337

-.812 .662

MeanLower BoundUpper Bound

95% ConfidenceInterval for Mean

5% Trimmed MeanMedianVarianceStd. DeviationMinimumMaximumRangeInterquartile RangeSkewnessKurtosis

umur ibu menyusuiStatistic Std. Error

Tests of Normality

.130 50 .035 .920 50 .002umur ibu menyusuiStatistic df Sig. Statistic df Sig.

Kolmogorov-Smirnova Shapiro-Wilk

Lilliefors Significance Correctiona.

umur ibu menyusui umur ibu menyusui Stem-and-Leaf Plot Frequency Stem & Leaf 7.00 1 . 9999999 20.00 2 . 00011122222333334444 10.00 2 . 5566666777 11.00 3 . 00011122244 2.00 3 . 55 Stem width: 10 Each leaf: 1 case(s)


85

3530252015

Observed Value

2

1

0

-1

-2

Expect

ed No

rmal

Normal Q-Q Plot of umur ibu menyusui

umur ibu menyusui

35

30

25

20

15


86

Dari hasil analisis ‘Explore’ terlihat juga nilai mean, median dan mode. Namun

yang paling penting dari tampilan explore munculnya angka estimasi interval.

Dari hasil tersebut kita dapat melakukan estimasi interval dari umur ibu. Kita

dapat menghitung 95% confidence interval umur yaitu 23,72 s.d. 26,48. jadi kita

95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 23,72

sampai 26,48 tahun.

Uji kenormalan data:

Untuk mengetahui suatu data berdistribusi normal, ada 3 cara untuk

mengetahuinya yaitu:

1. Dilihat dari grafik histogram dan kurve normal, bila bentuknya menyerupai bel

shape, berarti distribusi normal

2. Menggunakan nilai Skewness dan standar errornya, bila nilai Skewness dibagi

standar errornya menghasilkan angka ≤ 2, maka distribusinya normal

3. Uji kolmogorov smirnov, bila hasil uji signifkan (p value < 0,05) maka

distribusi normal. Namun uji kolmogorov sangat sensitif dengan jumlah

sampel, maksudnya : untuk jumlah sampel yang besar uji kolmogorov

cenderung menghasilkan uji yang signifikan (yang artinya bentuk

distribusinya tidak normal). Atas dasar kelemahan ini dianjurkan untuk

mengetahui kenormalan data lebih baik menggunakan angka skewness atau

melihat grafik histogram dan kurve normal


87

Untuk variabel umur diatas, dilihat dari histogram dan kurve normal terlihat

bentuk yang normal, selain itu hasil dari perbandingan skwness dan standar

error didapatkan: 0,547/0,337 =1,62 , hasilnya masih dibawah 2, berarti

distribusi normal. Dari hasil tersebut diatas dengan demikian variabel umur

disimpulkan berdistribusi normal.

Penyajian dan Interpretasi di Laporan Penelitian

Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di

laporan penelitian/laporan tesis. Adapun penyajian dan interpretasinya adalah

sbb:

Tabel 1

Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun x

Variabel Mean SD

Minimal- Maksimal 95% CI

Umur 25,10 4,85

19 - 35 23,72 – 26,48

Hasil analisis didapatkan rata-rata umur ibu adalah 25,10 tahun (95% CI: 23,72

– 26,48), dengan standar deviasi 4,85 tahun. Umujr termuda 19 tahun dan umur

tertua 35 tahun. Dari hasil estimasi interval dapat disimpulkan bahwa 95%

diyakini bahwa rata-rata umur ibu adalah diantara 23,72 sampai dengan 26,48

tahun.


88

ANALISIS BIVARIAT

Setelah diketahui karakteristik masing-masing variabel dapat diteruskan

analisis lebih lanjut. Pada analisis univariat, misalnya ada dua variabel : jenis

pembayaran berobat dan kepuasan pasien, kita hanya melakukan

pendeskripsian sendiri-sendiri untuk variabel jenis pembayaran dan kepuasan

pasien. Untuk variabel jenis pembayaran akan diketahui berapa persen yang

berobat dengan biaya sendiri dan berapa persen yang dibiayai askes. Begitu juga

untuk variabel kepuasan pasien, akan diketahui berapa persen yang puas dan

berapa persen yang tidak puas.

Apabila diinginkan analisis hubungan antara dua variabel, dalam contoh

diatas berarti kita ingin mengetahui hubungan jenis pembayaran dengan

kepuasan pasien, maka analisis dilanjutkan pada tingkat bivariat. Pada analisis

bivariat kita dapat mengetahui apakah ada perbedaan kepuasan pasien antara

pasien dengan membayar sendiri dengan pasien dengan biaya askes. Kegunaan

analisis bivariat bisa untuk mengetahui apakah ada hubungan yang siginifikan

antara dua variabel, atau bisa juga digunakan untuk mengetahui apakah ada

perbedaan yang signifikan antara dua atau lebih kelompok(sampel).

Perbedaan Substansi/Klinis dan perbedaan Statistik

Perlu dipahami/disadari bagi peneliti bahwa berbeda bermakna/signifikan

secara statistik tidak berarti (belum tentu) bahwa perbedaan tersebut juga

bermakna dipandang dari segi substansi/klinis. Seperti diketahui bahwa semakin

besar sampel yang dianalisis akan semakin besar menghasilkan kemungkinan

berbeda bermakna. Dengan sampel besar perbedaan-perbedaan sangat kecil,

yang sedikit atau bahkan tidak mempunyai manfaat secara substansi/klinis dapat

6


89

berubah menjadi bermakna secara statitik. Oleh karena itu arti kegunaan dari

setiap penemuan jangan hanya dilihat dari aspek statistik semata, namun harus

juga dinilai/dilihat kegunaannya dari segi klinis/substansi. Sebagai contoh ada

studi eksperimen yang akan menguji dua obat (katakanlah obat A dan Obat B)

untuk mengathui pengaruhnya terhadap penurunan tekanan darah. Kemudian

obat A dan B diujicobakan pada dua kelompok relawan penderita hipertensi.

Hasil eksperimen didapatkan bahwa rata-rata penurunan tekanan darah setelah

minum obat A adalah 40 mmHg dan pada kelompok yang minum Obat B rata-

rata penurunannya 39 mmHg. Kemudian dilakukan uji statistik dan hasilnya

signifikan/bermakna (p value < alpha), apa yang dapat disimpulkan dari temuan

ini? Secara statistik memang terjadi perbedaan bermakna, namun secara

substansi tidaklah mempunyai perbedaan yang berarti, oleh karena perbedaan

mean penurunan tekanan darah antara obat A dan B hanya 1 mmHg. Dengan

hasil ini dapat disimpulkan bahwa sebenarnya antara obat A dan B tidak ada

perbedaan (sama saja) kasiatnya.

UJI HIPOTESIS Pengujian hipotesis dapat berguna untuk membantu pengambilan

keputusan tentang apakah suatu hipotesis yang diajukan, seperti perbesaan atau

hubungan, cukup menyakinkan untuk ditolak atau tidak ditolak. Keyakinan ini

didasarkan pada besarnya peluang untuk memperoleh hubungan tersebut secara

kebetulan (by chance). Semakin kecil peluang tersebut (peluang adanya by

chance), semakin besar keyakinan bahwa hubungan tersebut memang ada.

Sebagai contoh, seorang peneliti masalah imunisasi diminta untuk

memutuskan berdasarkan bukti-bukti hasil percobaan, apakah suatu vaksin baru

lebih baik daripada yang sekarang beraedar di pasaran. Untuk menjawab

pertanyaan ini maka perlu dilakukan pengujian hipotesis. Dengan pengujian

hipotesis akan diperoleh suatu kesimpulan secara probalistik apakah vaksin baru

tersebut lebih baik dari yang sekarang beredar di pasaran atau malah sebaliknya.


90

Prinsip uji hipotesis adalah melakukan perbandingan antara nilai sampel

(data hasil penelitian) dengan nilai hipotesis (nilai populasi) yang diajukan.

Peluang untuk diterima atau ditolaknya suatu hipotesis tergantung besar

kecilnyanya perbedaan antara nilai sampel dengan nilai hipotesis. Bila perbedaan

tersebut cukup besar, maka peluang untuk menolak hipotesis besar pula,

sebaliknya bila perbedaan tersebut kecil, maka peluang untuk menolak hipotesis

menjadi kecil. Jadi, makin besar perbedaan antara nilai sampel dengan nilai

hipotesis, makin besar peluang untuk menolak hipotesis.

Kesimpulan yang didapat dari hasil pengujian hipotesis ada dua

kemungkinan yaitu menolak hipotesis dan menerima hipotesis (gagal menolak

hipotesis). Perlu dipahami bahwa arti menerima hipotesis sebetulnya kurang

tepat, yang tepat adalah gagal menolak hipotesis. Dalam uji hipotesis bila

kesimpulannya menerima hipotesis, bukan berarti bahwa kita telah membuktikan

hipotesis tersebut benar, karena benar atau tidaknya suatui hipotesis hanya

dapat dibuktikan dengan mengadakan observasi pada seluruh populasi, dan hal

ini sangat sulit bahkan tidak mungkin untuk dilakukan. Jadi menerima hipotesis

sebetulnya artinya adalah kita tidak cukup bukti untuk menolak hipotesis, dengan

kata lain dapat diartikan kita gagal menolak hipotesis. Untuk memperjelas

pengertian bahwa “gagal menolak hipotesis berbeda dengan mengakui

kebenaran hipotesis (menerima hipotesis”, kita coba analogkan proses

persidangan kriminal di pengadilan. Seperti dalam sidang pengadilan, kegagalan

membuktikan kesalahan tertuduh bukan berarti si tertudauh tidak bersalah atau

sitertuduh benar. Pengadilan memutuskan bahwa si tertuduh tidak dapat

dibuktikan bersalah, bukan memutuskan tidak bersalah. Dari uraian tersebut

sangatlah jelas bahwa istilah yang tepat dalam kesimpulan uji hipotesis adalah

gagal menolak hiopotesis, dan bukan menerima hipotesis.

1. Hipotesis

Hipotesis berasal dari kata hupo dan thesis. Hupo artinya

sementara/lemah kebenarannya dan thesis artinya pernyataan/teopri. Dengan


91

demikian hipotesis berarti pernyataan yang perlu diuji kebenarannya. Untuk

menguji kebenaran sebuah hipotesis digunakan pengujian yang disebut

pengujian hipotesis.

Dalam pengujian hipotesis dijumpai dua jenis hipotesis yaitu hipotesis nol

(Ho) dan hipotesis alternatif (Ha). Berikut akan diuraikan lebih jelas tentang

masing-masing hipotesis tersebut.

a. Hipotesis Nol (Ho).

Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara

kedua kelompok. Atau hipotesis yang menyatakan tidak ada hubungan antara

variabel satu dengan variabel lainnya

Contoh:

1). Tidak ada perbedaan berat badan bayi antara mereka yang dilahirkan dari

ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak

merokok

2). Tidak ada hubungan antara merokok dengan berat badan bayi

b. Hipotesis Alternatif (Ha)

Hipotesis yang menyatakan ada perbedaan sesuatu kejadian antara kedua

kelompok. Atau hipotesis yang menyatakan ada hubungan antara variabel

satu dengan variabel lainnya

Contoh:

1). Ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu

yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok

2). Ada hubungan antara merokok dengan berat badan bayi

2. Arah dan bentuk hipotesis

Bentuk hipotesis alternatif akan menentukan arah uji statistik apakah satu

arah (one tail) atau dua arah (twa tail)


92

a. One tail (satu sisi): bila hipotesis alternatifnya menyatakan adanya perbedaan

dan ada pernyataan yang mengatakan hal satu lebih tinggi/rendah dari hal

lain.

Contoh:

Berat badan bayi dari ibu yang merokok lebih kecil dibanding berat badan

bayi dari ibu tidak merokok.

b. Two tail (dua sisi) merupakan hipotesis alternatif yang hanya menyatakan

perbedaan tanpa melihat apakah hal satu lebih tinggi/rendah dari hal lain.

Contoh:

Berat badan bayi dari ibu yang merokok Berbeda dibanding berat badan bayi

dari ibu tidak merokok. Atau dengan kata lain: ada perbedaan berat badan

bayi antara mereka yang dilahirkan dari ibu yang merokok dibandingkan dari

ibu yang tidak merokok.

Contoh penulisan hipotesis:

Suatu penelitian ingin mengetahui hubungan antara jenis kelamin dengan

tekanan darah, maka hipotesisnya sbb:

Ho : μA = μB

Tidak ada perbedaan mean tekanan darah antara laki-laki dan perempuan, atau

Tidak ada hubungan antara jenis kelamin dengan tekanan darah.

Ho : μA ≠ μB

Ada perbedaan mean tekanan darah antara laki-laki dan perempuan, atau

Ada hubungan antara jenis kelamin dengan tekanan darah

3. Menentukan Tingkat Kemaknaan (Level of Significance)

Tingkat kemaknaan merupakan kesalahan tipe I suatu uji yang biasanya

diberi notasi ‘α’. Seperti sudah diketahui bahwa tujuan dari pengujian hipotesis

adalah untuk membuat suatu pertimbangan tentang perbedaan antara nilai

sampel dengan keadaan populasi sebagai suatu hipotesis. Langkah selanjutnya

setelah ktriteria/batasan yang digunakan untuk memutuskan apakah hipotesis

nol ditolak atau gagal ditolak yang disebut dengan tingkat kemaknaan (Level of


93

Significance). Tingkat kemakanaan, atau sering disebut dengan nilai α,

merupakan nilai yang menunjukkan besarnya peluang salah dalam menolak

hipotesis nol. Atau dengan kata lain, nilai α merupakan batas toleransi peluang

salah dalam menolak hipotesis nol. Dengan kata-kata yang lebih sederhana, nilai

α merupakan batas maksimal kesalahan menolak Ho. Bila kita menolak Ho

berarti menyatakan adanya perbedaan/hubungan. Sehingga nilai α dapat

diartikan pula sebagai batas maksimal kita salah dalam menyatakan adanya

perbedaan.

Penentuan nilai α (alpha) tergantung dari tujuan dan kondisi penelitian.

Nilai α yang sering digunakan adalah 10%, 5%, atau 1%. Untuk bidang

kesehatan masyarakat biasanya digunakan nilai α sebesar 5%. Sedangkan

unutuk pengujian obat-obatan digunakan batas toleransi kesalahan yang lebih

kecil misalnya 1%, karena mengandung risiko yang fatal. Misalkan seorang

peneliti yang akan menentukan apakah suatu obat bius berkhasiat akan

menentukan nilai α yang kecil sekali, peneliti tersebut tidak akan mau mengambil

risiko bahwaketidak berhasilan obat bius besar karena akan berhubungan

dengan nyawa seseorang yang akan dibius.

4. Pemilihan Jenis Uji Parametrik atau Non Parametrik

Dalam pengujian hipotesis sangat berhubungan dengan distribusi data

populasi yang akan diuji. Bila distribusi data populasi yang akan diuji berbentuk

normal/simetris/Gauss, maka proses pengujian dapat digunakan dengan

pendekatan uji statistik parametrik. Sedangkan bila distribusi data populasinya

tidak normal atau tidak diketahuidistribusinya maka dapat digunakan pendekatan

uji statistik non parametrik. Kenormalan suatu distribusi data dapat juga dilihat

dari jenis variabelnya, bila variabelnya berjenis numerik/kuantitatif biasanya

distribusi datanya mendekati normal/simetris, sehingga dapat digunakan uji

statistik parametrik. Bila jenis variabelnya katagorik (kualitatif), maka bentuk

distribusinya tidak normal, sehingga uji non parametrik dapat digunakan.


94

Penentuan jenis uji juga ditentukan oleh jumlah data yang dianalisis, bila jumlah

data kecil (<30) cenderung digunakan uji non parametrik.

PROSEDUR/LANGKAH UJI HIPOTESIS

Menetapkan Hipotesis

Hipotesis dalam statistik dikenal dua macam yaitu hipotesis nol (Ho) dan

hipotesis alternatif (Ha).

1). Hipotesis nol (Ho)

Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara

kedua kelompok.

Contoh: Tidak ada perbedaan berat badan bayi antara mereka yang

dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu

yang tidak merokok

2). Hipotesis alternatif (Ha)

Hipotesis yang menyatakan ada perbedaan sesuatu kejadian antara kedua

kelompok.

Contoh: Ada perbedaan berat badan bayi antara mereka yang dilahirkan dari

ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak

merokok.

Dari hipotesis alternatif akan diketahui apakah uji statistik menggunakan satu

arah (one tail) atau dua arah (two tail).

Penentuan Uji Statistik Yang Sesuai

Ada beragam jenis uji statistik yang dapat digunakan. Setiap uji statistik

mempunyai persyaratan tertentu yang harus dipenuhi. Oleh karena itu harus

digunakan uji statistik yang tepat sesuai dengan data yang diuji. Jenis uji statistik

sangat tergantung dari:

1). Jenis variabel yang akan dianalisis

2). Jenis data apakah dependen atau independen


95

3). Jenis distribusi data populasinya apakah mengikuti distribusi normal atau

tidak.

Sebagai gambaran, jenis uji statistik untuk mengetahui perbedaan mean

akan berbeda dengan uji statistik untuk mengetahui perbedaan

proporsi/persentase. Uji beda mean menggunakan uji t atau inova, sedangkan

uji untuk mengetahui perbedaan proporsi digunakan uji Kai kuadrat.

Menentukan Batas atau Tingkat Kemaknaan (Level og Significance)

Batas/tingkat kemaknaan, sering juga disebut dengan nilai α. Penggunaan

nilai alpha tergantung tujuan penelitian yang dilakukan, untuk bidang kesehatan

masyarakat biasanya menggunakan nilai alpha 5%.

Penghitungan Uji Statitik

Penghitungan uji statistik adalah menghitung data sampel ke dalam uji

hipotesis yang sesuai. Misalnya kalau ingin menguji perbedaan mean antara dua

kelompok, maka data hasil pengukuran dimasukkan ke rumus uji t. Dari hasil

dengan nilai populasi untuk mengetahui apakah ada hipotesis ditolak atau gagal

menolak hipotesis.

Keputusan Uji Statistik

Seperti telah disebutkan pada langkah D, bahwa hasil pengujian statistik

akan menghasilkan dua kemungkinan keputusan yaitu menolak hipotesis nol

(Ho) dan gagal menolak hipotesisi nol.

Seiring dengan kemajuan perkembangan komputer maka uji statistik

dengan mudah dan cepat dapat dilakukan dengan program-program statistik

yang tersedia di pasaran seperti Epi Info, SPSS, SAS dll. Setiap kita melakukan

uji statistik melalui program komputer maka yang akan kita cari adalalah nilai p

(p value). Dengan nilai p ini kita dapat menggunakan untuk keputusan uji

statistik dengan cara membandingkan nilai p dengan α (alpha). Ketentuan yang

berlaku adalah:


96

a). Bila nilai p ≤ α, maka keputusannya adalah Ho ditolak

b). Bila nilai p > α, maka keputusannya adalah Ho gagal ditolak

Perlu diketahui bahwa nilai p two tail adalah 2 kali nilai p one tail berarti

kalau tabel yang digunakan adalah tabel one tail sedangkan uji statistik yang

dilakukan adalah two tail maka nilai p dari tabel harus dikalikan 2. dengan

demikian dapat disederhanakan dengan rumus : nilai p two tail = 2 x nilai p one

tail.

Pendekatan probabilistik ini sekarang sudah mulai digunakan oleh para

ahli statistik dalam pengambilan keputusan uji statistik. Pada modul ini dalam

memutuskan uji statistik menggunakan pendekatan ini.

Pengertian Nilai P

Nilai p merupakan nilai yang menunjukkan besarnya peluang salah

menolak Ho dari data penelitian. Nilai P dapat diartikan pula sebagai nilai

besarnya peluang hasil penelitian (misal adanya perbedaan mean atau proporsi)

terjadi karena faktor kebetulan (by chance). Harapan kita nilai p adalah sekecil

mungkin, sebab bila nilai p-nya kecil maka kita yakin bahwa adanya perbedaan

pada hasil penelitian menunjukkan pula adanya perbedaan di populasi. Dengan

kata lain kalau nilai p-nya kecil maka perbedaan yang ada pada penelitian terjadi

bukan karena faktor kebetulan (by chance).

Contoh:

Suatu penelitian ingin mengetahui hubungan riwayat hipertensi ibu hamil dengan

berat badan bayi yang dikandungnya. Hasil penelitian melaporkan bahwa rata-

rata berat badan bayi dari ibu hipertensi 200 gram, sedangkan rata-rata berat

badan bayi yang lahir dari ibu yang tidak hipertensi adalah 3000 gram.

Perbedaan berat bayi antara ibu yang hipertensi dengan ibu yang tidak

hipertensi sebesar 100 gram. Pertanyaan yang timbul adalah apakah perbedaan

berat badan bayi tersebut juga berlaku untuk seluruh populasi yang diteliti atau

hanya faktor kebetulan saja?. Untuk menjawab pertanyaan tersebut kemudian

dilakukan uji statistik yang tepat yaitu uji t. Miisalnya dihasilkan nilai p = 0,0110


97

maka berarti peluang adanya perbedaan berat bayi sebesar 1000 gram akibat

dari faktor kebetulan (by chance) adalah sebesar 0,0110. oleh karena

peluangnya sangat kecil (p=0,0110), maka dapat diartikan bahwa adanya

perbedaan tersebut bukan karena faktor kebetulan namun karena memang

karena adanya riwayat hipetensi.

Berikut adalah berbagai uji statistik yang dapat digunakan untuk analisis bivariat

Variabel I Variabel II Jenis uji statistik yang

digunakan

Katagorik ↔ Katagorik - Kai kuadrat

- Fisher Exact

Katagorik ↔ Numerik - Uji T

- ANOVA

Numerik ↔ Numerik - Korelasi

- Regresi


98

ANALISIS BIVARIAT HUBUNGAN

KATAGORIK DENGAN NUMERIK

Uji t Di bidang kesehatan sering kali kita harus menarik kesimpulan apakah

parameter dua populasi berbeda atau tidak. Misalnya, apakah ada perbedaan

tekanan darah penduduk dewasa orang kota dengan orang desa. Atau, apakah

ada perbedaan berat badan antar sebelum mengikuti program diet dengan

sesudahnya. Uji statistik yang membandingkan mean dua kelompok data ini

disebut uji beda dua mean. Pendekatan ujinya dapat menggunakan pendekatan

distribusi Z dan distribusi t , sehingga pada uji beda dua mean bisa

menggunakan uji Z atau uji t, namun lebih sering digunakan uji t.

Sebelum kita melakukan uji statistik dua kelompok data, kita perlu

mengetahui apakah dua kelompok data tersebut berasal dari dua kelompok

yang independen atau berasal dari dua kelompok yang

dependen/pasangan. Dikatakan kelompok independen bila data kelompok

yang satu tidak tergantung dari kelopok kedua, misalnya membandingkan mean

tekanan darah sistolik orang desa dengan orang kota. Tekanan darah orang

kota independen (tidak tergantung) dengan orang desa. Dilain pihak, kedua

kelompok data dikatakan dependen/pasangan bila kelompok data yang

dibandingkan datanya saling mempunyai ketergantungan, misalnya data berat

badan sebelum dan sesudah mengikuti program diet berasal dari orang yang

sama (data sesudah dependen/tergantung dengan data sebelum).

7


99

Berdasarkan karakteristik data tersebut maka uji beda dua mean dibagi

dalam dua kelompok, yaitu: uji beda mean independen (uji T independen) dan

uji beda mean dependen (uji T dependen).

1. Uji beda dua mean independen

Tujuan: untuk mengetahui perbedaan mean dua dua kelompok data independen,

syarat yang harus dipenuhi:

a. Data berdistribusi normal/simetris.

b. Kedua kelompok data independen.

c. Variabel yang dihubungkan berbentuk numerik dan katagorik (ket: variabel

katagorik hanya dengan dua kelompok).

Prinsip pengujian dua mean dua mean adalah melihat perbedaan variasi kedua

kelompok data. Oleh karena itu dalam pengujian ini diperlukan informasi apakah

varian kedua kelompok yang diuji sama atau tidak. Bentuk varian kedua

kelompok data akan berpengaruh pada nilai standar error yang akhirnya akan

membedakan rumus pengujiannya.

a. Uji untuk varian sama

Uji beda dua mean dapat dilakukan dengan menggunakan uji Z atau uji T. uji

Z dapat digunakan bila standar deviasi populasi (σ) diketahui dan jumlah

sampel besar (>30). Apabila kedua syarat tersebut tidak terpenuhi maka

dilakukan uji . pada umumnya nilai σ sulit diketahui, sehingga uji beda dua

mean biasanya menggunakan uji T (T Test). Untuk varian yang sama maka

bentuk ujinya sbb:

X1 – X2 T =

Sp (1/n1) + (1/n2)

(n1-1) S12 + (n2 – 1) S2

2

Sp2 = n1 – n2 - 2


100

df = n1 – n2 - 2

Ket :

n1 atau n2 = jumlah sampel kelompok 1 atau 2

S1 atau S2 = standar deviasi sampel kelompok 1 atau 2

b. Uji untuk varian berbeda

c. Uji homogenitas varian

Tujuan dari uji ini adalah untuk mengetahui varian antara kelompok data satu

apakah sama dengan kelompok data yang kedua.

df1 = n1-1 dan df2 = n2-1

Pada perhitungan uji F, varian yang lebih besar sebagai pembilang dan varian

yang lebih kecil sebagai penyebut.

2. Uji beda dua mean dependen (Paired sample)

Tujuan : Untuk menguji perbedaan mean anatara dua kelompok data yang

dependen. Contoh kasus:

X1 – X2 T =

(S12/n1) + (S2

2/n2)

[(S12/n1) + (S2

2/n2)]2

df = [(S1

2/n1)2/(n1-1)] + [(S22/n2)2/(n2-1)]

S12

F = S2

2


101

Apakah ada perbedaan tingkat pengetahuan antara sebelum dan sesudah

dilakukan pelatihan.

Apakah ada perbedaan berat badan antara sebelum dan sesudah

mengikuti program diet.

Syarat :

a. Distribusi data normal

b. Kedua kelompok data dependen/pair

c. Jenis variabel: numerik dan katagorik (dua kelompok)

Formula :

d = rata-rata deviasi/selisih sampel 1 dengan sampel 2

S_d = standar deviasi dari deviasi/selisih sampel sampel 1 dan sampel 2

d T= S_d / n


102

KASUS:

UJI t INDEPENDEN DAN UJI t DEPENDEN

1. Uji t independen

Sebagai contoh kita gunakan data “ASI.SAV” dengan melakukan uji hubungan

perilaku menyusui dengan kadar Hb (misal digunakan variabel Hb1), apakah ada

perbedaan kadar Hb antara ibu yang menyusui eksklusif dengan ibu yang

menyusuinya tidak eksklusif, caranya:

1. Aktifkan/bukalah file data “ASI.SAV”

2. Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub menu

“Compare Means’, lalu pilih “Independen-Samples T Test”

3. Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable (s)’I dan

‘Grouping Variable’. Ket: kotak test varibles tempat memasukkan variabel

numeriknya, sedangkan kotak grouping variable untuk memasukkan variabel

katagoriknya, ingat jangan sampai terbalik.

4. Klik ‘hb1’ dan msukkan ke kotak ‘Test variable’

5. Klik variabel ‘eksklu’ dan masukkan ke kotak‘Grouping Variable’.

6. Klik ‘Define Group’, kemudian di layar nampak kotak isian. Anda diminta

mengisi kode variabel ‘menyusui’ ke dalam kedua kotak. Pada contoh ini, kita


103

tahu bahwa ‘0’ kode untuk yang tidak eksklusif dan kode ‘1’ untuk Yang

eksklusif. Jadi ketiklah 0 pada Group 1” dan 1 pada “Group 2”

7. Klik “Continue”

8. Klik “OK” untuk menjalankan prosedur perintahnya, dan hasilnya sbb:

T-Test

Group Statistics

24 10.421 1.4712 .300326 10.277 1.3228 .2594

status menyusui asitdk EKSKLUSIVEEKSKLUSIVE

kadar hb pengukuranpertama

N Mean Std. DeviationStd. Error

Mean

Independent Samples Test

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

-.363 46.4 .719 -.1439 .3968 -.9425 .6547

EqualvariancesassumedEqualvariancesnotassumed

kadar hbpengukuranpertama

F Sig.

Levene's Testfor Equality of

Variances

t df

Sig.(2-taile

d)

MeanDifferen

ce

Std.Error

Difference Lower Upper

95% ConfidenceInterval of the

Difference

t-test for Equality of Means

Pada tampilan di atas dapat dilihat nilai rata-rata, standar deviasi dan

standar error kadar Hb ibu untuk masing-masing kelompok. Rata-rata kadar Hb

ibu yang menyusui ekslusif adalah 10,277 gr% dengan standar deviasi 1,322


104

gr%, sedangkan untuk ibu yang menyusui non eksklusif, rata-rata kadar Hb-nya

adalah 10,421 gr% dengan standar deviasi 1,471 gr%.

Hasil uji T dapat dilihat pada tabel bawah, SPSS akan menampilkan dua

uji T, yaitu uji T dengan asumsi varian kedua kelompok sama (equal variances

assumed) dan uji T dengan asumsi varian kedua kelompok tidak sama (equal

variances not assumed). Untuk, memilih uji mana yang kita pakai, dapat dilihat

uji kesamaan varian melalui uji Levene. Lihat nilai p Levene test, nilai p < alpha

(0,05) maka varian berbeda dan bila nilai p > alpha (0,05) maka varian sama

(equal). Pada uji Levene di atas menghasilkan nilai p = 0,790 sehingga dapat

disimpulkan bahwa pada alpha 5%, didapat tidak ada perbedaan varian (varian

kedua kelompok sama). Selanjutnya dicari p value uji t pada bagian varian sama

(equal variances) di kolom sig (2 tailed) ,yaitu sebesar p=0,717 artinya tidak ada

perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui eksklusif

dengan ibu yang menyusui non eksklusif.

Penyajian dan Interpretasi di laporan penelitian:

Seperti pada analisis deskriptif, print out di atas tidak boleh langsung di copy dan

disajikan di laporan penelitian. Pada laporan penelitian kita harus membuat tabel

baru untuk menyajikan hasil print out analisis di atas. Adapun bentuk penyajian

dan interpretasinya adlah sbb:

Tabel …

Distribusi Rata-Rata Kadar Hb Responden Menurut Perilaku Menyusui di..th..

Menyusui Mean SD SE P value N

Ya Eksklusif 10,277 1,322 0,259 0,717 26

Tdk Eksklusif 10,421 1,471 0,300 24

Rata-rata kadar Hb ibu yang menyusui eksklusif adalah 10,277 gr% dengan

standar deviasi 1,322 gr%, sedangkan untuk ibu yang menyusui non eksklusif

rata-rata kadar Hb-nya adalah 10,421 gr% dengan standar deviasi 1,471 gr%.


105

Hasil uji statistik didapatkan nilai p=0,717, berarti pada alpha 5% terlihat tidak

ada perbedaan yang signifikan rata-rata kadar Hb antara ibu yang menyusui

secara eksklusif dengan non eksklusif.

2. Uji T Dependen

Uji T dependen seringkali disebut uji T Paired/Related atau pasangan. Uji

T dependen sering digunakan pada analisis data penelitian eksperimen. Seperti

sudah dijelaskan di depan bahwa disebut kedua sampel bersifat dependen kalau

kedua kelompok sampel yang dibandingkan mempunyai subyek yang sama.

Dengan kata lain disebut dependen bila responden diukur dua kali/diteliti dua

kali, sering orang mengatakan penelitian pre dan post. Misalnya kita ingin

membandingkan berat badan antara sebelum dan sesudah mengikuti program

diet.

Untuk contoh ini akan dilakukan uji beda rata-rata kadar Hb antara kadar Hb

pengukuran pertama dengan kadar Hb pengukuran kedua, ingin diketahui

apakah ada perbedaan kadar Hb antara pengukuran pertama dengan

pengukuran kedua. Disini terlihat sampelnya dependen karena orangnya sama

diukur dua kali. Adapun langkahnya:

1. Pastikan anda berada di file “ASI.SAV”, jika belum aktifkan/bukalah file ini.


“Compare Means’, lalu pilih “Paired-Samples T Test”


106

3. Klik ‘hb1’

4. Klik ‘hb2’

5. Klik tanda panah sehingga kedua variabel masuk kotak sebelah kanan

6. Klik ‘OK’ hasilnya tampak sbb

T-Test

Paired Samples Statistics

10.346 50 1.3835 .1957

10.860 50 1.0558 .1493

kadar hb pengukuranpertamakadar hb pengukurankedua

Pair1

Mean N Std. DeviationStd. Error

Mean

Paired Samples Correlations

50 .707 .000kadar hb pengukuranpertama & kadar hbpengukuran kedua

Pair1

N Correlation Sig.

Paired Samples Test

-.5140 .9821 .1389 -.7931 -.2349 -3.701 49 .001

kadar hbpengukuranpertama - kadarhb pengukurankedua

Pair1

Mean

Std.Deviati

on

Std.ErrorMean Lower Upper


Difference

Paired Differences

t df

Sig.(2-taile

d)

Pada tabel pertama terlihat statistik deskriptif berupa rata-rata dan

standar deviasi kadar Hb antara pengukuran pertama dan pengukuran kedua.

Rata-rata kadar Hb pada pengukuran pertama (hb1) adalah 10,346 gr% dengan

standar deviasi 1,38 gr%. Pada pengukuran kedua (hb2) didapat rata-rata kadar

Hb adalah 10,860 gr% dengan standar deviasi 1,05 gr%.


107

Uji T berpasangan dilaporkan pada tabel kedua, terlihat nilai mean

perbedaan antara pengukuran pertama dan kedua adalah 0,514 dengan standar

deviasi 0,982. perbedaan ini diuji dengan uji T berpasangan menghasilkan nilai p

yang dapat dilihat pada kolom “Sig (2-tailed)”. Pada contoh di atas didapatkan

nilai p=0,001, maka dapat disimpulkan ada perbedaan yang signifikan kadar hb

antara pengukuran pertama dengan pengukuran kedua.

Penyajian dan Interpretasi di laporan penelitian:

Dari hasil yang didapat di atas kemudian angka-angka disusun dalam

tabel yang disajikan dalam laporan penelitian. Bentuk penyajian dan

interpretasinya sbb:

Tabel …

Distribusi Rata-Rata Kadar Hb Responden Menurut Pengukuran pertama dan

Kedua di …. Th……

Variabel Mean SD SE P value N

Kadar Hb

Pengukuran I 10,346 1,38 0,19 0,001 50

Pengukuran II 10,860 1,05 0,14

Rata-rata kadar Hb pada pengukuran pertama adalah 10,346 gr% dengan

standar deviasi 1,38 gr%. Pada pengukuran kedua didapat rata-rata kadar Hb

adalah 10,860 gr% dengan standar deviasi 1,05 gr%. Terlihat nilai mean

perbedaan antara pengukuran pertama dan kedua adalah 0,514 dengan standar

deviasi 0,982. hasil uji statistik didapatkan nilai 0,001 maka dapat disimpulkan

ada perbedaan yang signifikan antara kadar Hb pengukuran pertama dan kedua.


108

ANALISIS HUBUNGAN

KATEGORIK DENGAN NUMERIK

UJI ANOVA

Pada bab terdahulu telah dijelaskan uji beda mean dua kelompok data

baik yang independen maupun dependen. Namun seringkali kita jumpai jumlah

kelompok yang lebih dari dua, misalnya ingin mengetahui perbedaan mean berat

badan bayi untuk daerah Bekasi, Bogor dan Tangerang. Dalam menganalisis data

seperti ini (> 2 kelompok) sangat tidak dianjurkan menggunakan uji T.

kelemahan menggunakan uji T adalah; pertama kita melakukan uji berulang kali

sesuai kombinasi yang mungkin, kedua, bila melakukan uji T berulang kali akan

meningkatkan (inflasi) nilai α, artinya akan meningkatkan peluang hasil yang

keliru.

Perubahan inflasi α sebesar = 1 – (1-α)n

Untuk mengatasi masalah tersebut maka uji statistik yang dianjurkan (uji yang

tepat) dalam menganalisis beda lebih dari dua mean adalah uji ANOVA atau uji

F.

Prinsip uji ANOVA adalah melakukan telaah variabilitas data menjadi dua

sumber variasi yaitu variasi dalam kelompok (within) dan variasi antar kelompok

(between). Bila variasi within dan between sama (nilai perbandingan kedua

varian sama dengan 1) maka mean-mean yang dibandingkan tidak ada

perbedaan, sebaliknya bila hasil perbandingan tersebut menghasilkan lebih dari

1, maka mean yang dibandingkan menunjuk ada perbedaan.

8


109

Analisis varian (ANOVA) mempunyai dua jenis analisi varian satu faktor

(one way) dan analisis faktor (two way). Pada bab ini hanya akan dibahas

analisis varian satu faktor (one way).

Beberapa asumsi yang harus dipenuhi pada uji ANOVA adalah:

1. Varian homogen

2. Sampel/kelompok independen

3. Data berdistribusi normal

4. Jenis data yang dihubungkan adalah : Numerik dengan katagori (untuk

katagori yang lebih dari 2 kelompok.

Perhitungan uji ANOVA sbb:

df = k-1 untuk pembilang

n-k untuk penyebut

Ket N = jumlah seluruh data (n1 + n2 + ….. + nk)

Analisis Multi Comparison (POSTHOC TEST)

Analisis ini bertujuam untuk mengetahui lebih lanjut kelompok mana saja

yang berbeda mean-nya bilamana pada pengujian ANOVA dihasilkan ada

Sb2

F = Sw2

(n1-1)S12 + (n2-1)S2

2 + ……..+ (nk-1)Sk2

Sw2 = N-k

n1(X1-X)2 + n2(X2-X)2 + ………+ nk(Xk-X)2 Sb2 = k - 1

n1.X1 + n2.X2 + ……. + nk.Xk X = N


110

perbedaan yang bermakna (Ho ditolak). Ada berbagaijenis analisis multiple

comparasion diantaranya adalah Bonferroni, Honestly Significant different (HSD),

Scheffe dan lain-lain. Pada modul ini yang akan dibahas adalah metode

Bonferroni.

Perhitungan Bonfrroni adalah sbb

df = n – k

Dengan level of significance (α) sbb:

Xi - Xj tij = Sw2[(1/ni) + (1/nj)]

α α* = (k2)


111

Kasus:

UJI ANOVA

Pada contoh ini aka dicoba dihubungkan antara tingkat pendidikan dengan

berat badan bayi. Variabel pendidikan merupakan variabel katagorik dengan 4

katagori. Variabel berat bayi berbentuk numerik sehingga uji yang digunakan

ANOVA. Adapun caranya sbb:

1. Aktifkan/bukalah file data “ASI.SAV”


“Compare Means’, lalu pilih “One-Way ANOVA” sesaat akan muncul menu

One Way NOVA

3. Dari menu One way ANOVA, terlihat bahwa kotak Dependent List dan kotak

Factor perlu diisi variabel. Kotak ‘dependent’ diisi variabel numerik dan kotak

‘factor’ diisi variabel katagoriknya. Pada contoh ini berarti pada kotak

Dependen diisi variabel “bbbayi” pada kotak Factor diisi variabel “Didik”.

4.

5. Klik tombol ‘Options” tandai dengan √ pada kotak “Descriptive”


112


7. Klik tombol “Post Hoc”, tandai dengan √ pada kotak “Bonferroni”


9. Klik “OK”

Oneway

Descriptives

berat badan bayi

10 2470.00 249.666 78.951 2291.40 2648.60 2100 290011 2727.27 241.209 72.727 2565.23 2889.32 2100 300016 3431.25 270.108 67.527 3287.32 3575.18 3000 400013 3761.54 386.304 107.141 3528.10 3994.98 3000 410050 3170.00 584.232 82.623 3003.96 3336.04 2100 4100

SDSMPSMUPTTotal

N MeanStd.

DeviationStd.Error Lower Bound Upper Bound

95% Confidence Interval forMean

Minimum

Maximum


113

Test of Homogeneity of Variances

berat badan bayi

2.506 3 46 .071

LeveneStatistic df1 df2 Sig.

ANOVA

berat badan bayi

12697038 3 4232345.862 48.334 .0004027962 46 87564.400

16725000 49

Between GroupsWithin GroupsTotal

Sum ofSquares df Mean Square F Sig.

Post Hoc Tests

Multiple Comparisons

Dependent Variable: berat badan bayiBonferroni

-257.273 129.294 .315 -613.76 99.21-961.250* 119.286 .000 -1290.14 -632.36

-1291.538* 124.468 .000 -1634.72 -948.36257.273 129.294 .315 -99.21 613.76

-703.977* 115.902 .000 -1023.54 -384.42-1034.266* 121.228 .000 -1368.51 -700.02

961.250* 119.286 .000 632.36 1290.14703.977* 115.902 .000 384.42 1023.54

-330.288* 110.492 .027 -634.93 -25.641291.538* 124.468 .000 948.36 1634.721034.266* 121.228 .000 700.02 1368.51

330.288* 110.492 .027 25.64 634.93

(J)pendidikanformal ibumenyusuiSMPSMUPTSDSMUPTSDSMPPTSDSMPSMU

(I)pendidikan formalibu

iSD

SMP

SMU

PT

MeanDifference

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

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

Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing

kelompok. Rata-rata berat bayi pada mereka yang berpendidikan SD adalah

2470,0 gram dengan standar deviasi 249,6 gram. Pada mereka yang

berpendidikan SMP rata-rata berat bayinya adalah 2727,2 gram dengan standar

deviasi 241,2 gram. Pada mereka yang berpendidikan SMU rata-rata berat


114

bayinya adalah 3431,2 gram dengan standar deviasi 270,1 gram. Pada mereka

yang berpendidikan PT rata-rata berat bayinya adalah 3761,5 gram dengan

standar deviasi 386,3 gram.

Pada hasil di atas nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”,

terlihat p=0,000 (kalau desimalnya 0, maka penulisannnya menjadi p=0,0005),

berarti pada alpha 5%, dapat disimpulkan ada perbedaan berat bayi diantara

keempat jenjang pendidikan.

Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni”

yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang

berhubungan signifikan. Untuk mengetahui kelompok yang signifikan dapat

terlihat dari kolom Sig. Ternyata kelompok signifikan adalah tingkat pendidikan

SD dengan SMU, SD dengan PT, SMP dengan SMU, SMP dengan PT dan SMU

dengan PT.

Penyajian dan Interpretasi di laporan Penelitian Tabel …

Distribusi Rata-Rata berat Bayi Menurut Tingkat pendidikan

Variabel Mean SD 95% CI P value

Pendidikan

- SD 2470,0 249,6 2291,4 – 2648,6 0,0005

- SMP 2727,2 241,2 3565,2 – 2889,3

- SMU 3431,2 270,1 3287,3 – 3575,1

- PT 3761,5 386,3 3528,1 – 3994,9

Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470,0

gram dengan standar deviasi 249,6 gram. Pada mereka yang berpendidikan SMP

rata-rata berat bayinya adalah 2727,20 gram dengan standar deviasi 241,2

gram. Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah

3431,2 gram dengan standar deviasi 270,1 gram. Pada mereka yang


115

berpendidikan PT rata-rata berat bayinya adalah 3761,5 gram dengan standar

deviasi 386,3 gram.

Hasil uji statistik didapat niali p=0,0005, berarti pada alpha 5% dapat

disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.

Analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan

adalah tingkat pendidikan SD dengan SMU, SD dengan PT, SMP dengan

SMU,SMP dengan PT dan SMU dengan PT.


116

ANALISIS HUBUNGAN

KATAGORIK DENGAN KATAGORIK

UJI KAI KUADRAT

Seringkali dalam suatu penelitian, kita menemui data yang tidak dapat

dinyatakan dalam bentuk angka-angka pengukuran (data numerik). Sebaliknya

justru yang kita jumpai adalah data hasil dari menghitung jumlah pengamatan

yang diklasifikasikan atas beberapa katagori. Data seperti ini disebut data

katagorik (kualitatif), misalnya jenis kelamin yang mempunyai katagori: laki-laki

dan perempuan; status merokok yang mempunyai katagori; perokok berat,

perokok ringan dan tidak merokok. Dalam penelitian kesehatan seringkali peneliti

perlu melakukan analisis hubungan variabel katagorik dengan variabel katagorik.

Analisis ii bertujuan untuk menguji perbedaan proporsi dua atau lebih kelompok

sampel. Uji statistik yang digunakan untuk menjawab kasus tersbut adalah UJI

KAI KUADRAT (CHI SQUARE).

Misalnya ingin diketahui hubungan jenis pekerjaan dengan perilaku

menyusui ibu, apakah ada perbedaan proporsi kejadian menyusui eksklusif

antara ibu yang bekerja dengan ibu yang tidak bekerja. Dari contoh terlihat

bahwa variabel jenis pekerjaan (bekerja/tidak bekerja) merupakan variabel

katagorik, dan variabel perilaku menyusui (eksklusif/non eksklusif) juga

merupakan variabel katagorik.

Sebelum berlanjut lebih dalam tentang kai kuadrat terlebih dahulu kita

pahami dengan benar apa itu variabel katagorik. Suatu variabel disebut

katagorik bila isi variabel tersebut terbentuk dari hasil klasifikasi/penggolongan,

misalnya variabel sex, jenis pekerjaan, golongan darah, pendidikan. Di lain

pihakvariabel numerik (misalnya berat badan, umur dll) dapat masuk/dapat

9


117

menjadi variabel katagorik bila variabel tersebut sudah mengalami

pengelompokan. Misalkan kita ambil satu contoh variabel berat badan, berat

badan bila nilainyamasih riil (50 kg, 63 kg dst) maka masih termasuk variabel

numerik, namun bila sudah dilakukan pengelompokan menjadi (<50 kg (kurus),

50-60 kg (sedang) dan > 60 (gemuk) maka variabel tersebut sudah berjenis

katagorik.

1. Tujuan Uji kai Kuadrat

Tujuan dari digunakannya uji kai kuadrat adalah untuk untuk menguji

perbedaan proporsi/persentase antara beberapa kelompok data. Dilihat dari segi

datanya uji kai kuadrat dapat digunakan untuk mengetahui hubungan antara

variabel katagorik dengan variabel katagorik. Contoh pertanyaan penelitian untuk

kasus yang dapat dipecahkan oleh uji kai kuadrat misalnya:

a. Apakah ada perbedaan kejadian hipertensi antara wanita dan pria. Kasus ii

berarti akan menguji hubungan variabel hipertensi (katagori dengan

klasifikasi ya dan tidak) dengan variabel jenis kelamin (katagori dengan

klasisfikasi wanita dan pria)

b. Apakah ada perbedaan kejadian anemia antara ibu yang kondisi soseknya

tinggi, sedang dan rendah. Pada kasus ini akan menguji hubungan variabel

anemia katagori dengan klasifikasi ya dan tidak) dengan variabel Sosek

(katagori dengan klasifikasi rendah, sedang dan tinggi).

2. Prinsip dasar Uji Kai Kuadrat

Proses pengujian kai kuadrat adalah membandingkan frekuensi yang

terjadi (observasi) dengan frekuensi harapan (ekspektasi). Bila nilai frekuensi

observasi dengan nilai frekuensi harapan sama, maka dikatakan tidak ada

perbedaan yang bermakna (signifikan). Sebaliknya, bila niali frekuensi observasi

dan nilai frekuensi harapan berbeda, maka dikatakan ada perbedaan yang

bermakna (signifikan).

Pembuktian dengan uji kai kuadrat dengan menggunakan formula:

(O – E)2

X2 = Σ E


118

df = (k-1)(n-1)

ket :

O = nilai observasi

E = nilai ekspektasi (harapan)

k = jumlah kolom

b = jumlah baris

Untuk mempermudah analisis kai kuadrat, nilai data kedua variabel disajikan

dalam bentuk tabel silang:

Variabel 2 Variabel 1

Tinggi Rendah Jumlah

Ya a b a+b

Tidak c d c+d

Jumlah a+c b+d n

a, b, c, d merupakan nilai observasi, sedangkan niali ekspektasi (harapan)

masing-masing sel dicari dengan rumus:

misalkan untuk mencari nilai ekspektasi (E) untuk sel a adalah:

Ea = (a+b) x (a+c)

n

Untuk Eb, Ec dan Ed dapat dicari dengan cara yang sama.

Khususnya untuk tabel 2x2, dapat mencari nilai X2 dengan menggunakan rumus:

Total barisnya X total kolomnya E = Jumlah keseluruhan data

N (ad-bc)2

X2 = (a+c)(b+d)(a+b)(c+d)


119

Uji kai kuadrat sangat baik untuk tabel dengan derajat kebebasan (df) yang

besar. Sedangkan khusus untuk tabel 2 x 2 (df-nya adalah 1) sebaiknya

digunakan uji kai kuadrat yang sudah dikoreksi (Yate Corrected atau Yate’s

Correction). Formula kai kuadrat Yate’s Correction adalah sbb:

atau

3. Keterbatasan Kai Kuadrat

Seperti kita ketahui, uji kai kuadrat menuntut frekuensi

harapan/ekspektasi (E) dalam masing-masing sel tidak boleh terlampau kecil.

Jika frekuensi sangat kecil, penggunaan uji ini mungkin kurang tepat. Oleh

karena itu dalam penggunaan kai kuadrat harus memperhatikan keterbatasan-

keterbatasan uji ini. Adapun keterbatasan uji kai kuadrat adalah sbb:

a. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 1.

b. Tidak boleh ada sel yang mempunyai nilai harapan (nilai E) kurang dari 5,

lebih dari 20% dari jumlah sel.

Jika keterbatasan tersebut terjadi pada saat uji kai kuadrat, peneliti harus

menggabungkan katagori-katagori yang berdekatan dalam rangka memperbesar

frekuensi harapan dari sel-sel tersebut (penggabungan ini dapat dilakukan untuk

analisis tabel silang lebih dari 2 x 2, misalnya 3 x 2, 3 x 4 dsb). Penggabungan ini

tentunya diharapkan tidak sampai membuat datanya kehilangan makna.

(|O – E| - 0,5)2

X2 = E

N {|ad-bc|2 – (N/2)]2

X2 = (a+c)(b+d)(a+b)(c+d)


120

Andai saja keterbatasan tersebut terjadi pada tabel 2 x 2 (ini berarti tidak

bisa menggabung katagori-katagorinya lagi), maka dianjurkan menggunakan uji

Fisher’s Exact.

ODDS RATIO (OR) dan RISIKO RELATIF (RR)

Hasil uji Chi Square hanya dapat menyimpulkan ada tidaknya perbedaan

proporsi antar kelompok atau dengan kata lain kita hanya dapat menyimpulkan

ada/tidaknya hubungan du variabel katagorik. Dengan demikian uji Chi Square

tidak dapat menjelaskan derajat hubungan, dalam hal ini uji Chi Square tidak

dapat mengetahui kelompok mana yang memiliki risiko lebioh besar dibanding

kelompok lain.

Dalam bidang kesehatan untuk mengetahui derajat hubungan, dikenal

ukuran Risiko Relatif (RR) dan Odds Rasio (OR). Risiko relatif membandingkan

risiko pada kelompok ter-ekspose dengan kelompok tidak terekspose. Sedangkan

Odds Rasio membandingkan Odds pada kelompok ter-ekspose dengan Odds

kelompok tidak ter-eksp[ose. Ukuuran RR pada umumnya digunakan pada disain

Kohort, sedangkan ukuran OR biasanya digunakan pada desain kasus kontrol

atau ptong lintang (Cross Sectional).

Pengkodean Variabel : Perlu diketahui bahwa dalam mengeluarkan nilai OR dan RR harus hati-

hati jangan sampai terjadi kesalahan pengkodean. Pemberian kode harus ada

konsistensi antara variabel independen dengan variabel dependen. Untuk

variabel independen, kelompok yang berisiko/expose diberi kode tinggi (kode

1) dan kode rendah (kode 0)untuk kelompok yang tidak berisiko/non expose.

Pada variabel dependennya, kode tinggi (kode 1) untuk kelompok kasus atau

kelompok yang menjadi fokus pembahasan penelitian dan kode rendah (kode 0)

untuk kelompok non kasus atau yang bukan menjadi fokus penelitian. Sebagai

contoh data di atas pengkodeannya adalah sbb: Ibu tidak bekerja diberi kode 1


121

dan bekerja kode 0 dan ibu yang menyusui secara eksklusif diberi kode 1 dan

non eksklusif diberi kode 0. Sebetulnya bisa juga kodenya dibalik, tapi harus

konsisten, misalnya kodenya: tidak bekerja =0, bekerja =1 dan eksklusive =0,

tdk eksklusive =1.

Tabel …

Distribusi Responden menurut Tingkat Pendidikan dan Pengetahuan

Pengetahuan

Rendah Tinggi Total

Pendidikan

N % n % n %

SD 25 50,0 25 50,0 50 34,4

SMP 16 40,0 24 60,0 40 27,6

SMU 10 33,3 20 66,7 30 20,7

PT 5 20,0 20 80,0 25 17,3

Jumlah 56 38,7 89 61,3 145 100,0

Pembuatan persentase pada analisis tabel silang harus diperhatikan agar

tidak salah dalam menginterpretasi. Pada jenis penelitian survei/Cross sectional

atau Kohort, pembuatan persentasenya berdasarkan nilai variabel independen.

Contoh di atas jenis penelitiannya Cross Sectional, variabel pendidikan sebagai

variabel independen dan pengetahuan sebagai variabel dependen. Dapat dilihat

di tabel persentasenya berdasarkan masing-masing kelompok tingkat pendidikan

(persentase baris). Contoh di atas dapat di interpretasikan sbb:

Dari 50 pasien yang berpendidikan SD, ada sebanyak 25 (50,0%) pasien

mempunyai pengetahuan tinggi. Dari 40 pasien yang berpendidikan SMP, ada

sebanyak 24 (60,0%) yang berpengetahuan tinggi. Dari 30 pasien yang

berpendidikan SMU ada sebanyak 20 (66,7%) yang berpengetahuan tinggi. Dan

dari 25 pasien yang berpendidikan PT, ada sebanyak 20 (80,0%) yang


122

berpengetahuan tinggi. Dari data ini terlihat ada kecenderungan bahwa semakin

tinggi tingkat pendidikan akan semakin tinggi tingkat pengetahuannya.

Pada penelitian yang berjenis kasus kontrol (Case Control) pembuatan

persentasenya berdasarkan variabel dependennya, misalkan terlihat pada tabel

berikut:

Tabel …

Distribusi Responden Menurut Kasus kanker paru dan Jenis Kelamin

Kanker Paru

Kasus Kontrol Total Jenis

Kelamin n % N % n %

Laki-laki 75 75,0 30 30,0 105 52,5

Perempuan 25 25,0 70 70,0 95 47,5

Jumlah 100 50,0 100 50,0 200 100,0

Interpretasinya:

Dari mereka yang menderita kanker paru, ada sebanyak 75 (75%) responden

berjenis kelamin laki-laki. Sedangkan pada kelompok yang tidak menderita

kanker paru, ada sebanyak (30%) responden yang berjenis kelamin laki-laki.


123

KASUS :

UJI KAI KUADRAT

Suatu penelitian ingin mengetahui hubngan pekerjaan dengan perilaku

menyusui. Variabel pekerjaan berisi dua nilai yaitu tidak bekerja dan bekerja,

dan variabel menyusui berisi dua nilai yaitu eksklusif dan non eksklusif. Untuk

mengerjakan soal ini gunakan data “Susu. SAV”.

Adapun prosedur di SPSS sbb:

1. Pastikan anda berada pada data editor ASI.SAV

2. Dari menu SPSS, klik “Analyze”, kemudian pilih “Descriptive statistic”, lalu

pilih “Crosstab”, sesaat akan muncul menu Crosstabs

3. Dari menu crosstab, ada dua kotak yang harus diisi, pada kotak “Row(s)’ diisi

variabel independen (variabel bebas), dalam contoh ini variabel pekerjaan

masuk ke kotak “Row(s)”.

4. pada kotak “Column(s)” diisi variabel dependennya, dalam contoh ini variabel

perilaku menyusui masuk ke kotak “Column(s)”.


124

5. Klik option “Statistics..”, klik pilihan “Chi Square” dan klik pilihan “Risk”


7. Klik option “Cells”, bawa bagian “Percentages” dan klik “Row”


9. Klik “OK” hasilnya tampak sbb:


125

Crosstabs

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

2.250 1.209 4.189

.412 .208 .816

50

Odds Ratio for statuspekerjaan ibu (TIDAKKERJA / KERJA)For cohort statusmenyusui asi = YAEKSKLUSIVEFor cohort statusmenyusui asi =TIDAK EKSKLUSN of Valid Cases

Value Lower Upper

95% ConfidenceInterval


126

Pada hasil di atas tertampil tabel silang antara pekerjaan dengan pola

menyusui, dengan angka di masing-masing selnya. Angka yang paling atas

adalah jumlah kasus masing-masing sel, angka kedua adalah persentase

menurut baris (data yang kita analisis “ASI.SAV, berasal dari penelitian Cross

Sectional sehingga persen yang ditampilkan adalah persentase baris, namun bila

junis penelitiannya Case Control angka persentase yang digunakan adalah

persentase kolom)

Dari analisis data di atas maka interpretasinya:

Ada sebanyak 18 (72,0%) ibu yang tidak bekerja menyusui bayi secara

eksklusif. Sedangkan diantara ibu yang bekerja, ada 8 (32,0%) yang menyusui

secara eksklusif.

Hasil uji Chi Square dapat dilihat pada kotak “Chi Square Test”. Dari print

out muncul dengan beberapa bentuk/angka sehingga menimbulkan pertanyaan,

“Angka yang mana yang kita pakai?”, apakah Pearson, Continuity Correction,

Likelihood atau Fisher?”

Aturan yang berlaku pada Chi Square adalah sbb:

a. Bila pada 2 x 2 dijumpai nilai Expected (harapan) kurang dari 5, maka yang

digunakan adalah “Fisher’s Exact Test”

b. Bila tabel 2 x 2, dan tidak ada nilai E < 5, maka uji yang dipakai sebaiknya

“Continuity Correction (a)”

c. Bila tabelnya lebih dari 2 x 2, misalnya 3 x 2, 3 x 3 dsb, maka digunakan uji

“Pearson Chi Square”

d. Uji “Likelihood Ratio” dan “Linear-by-Linear Assciation”, biasanya

digunakan untuk keperluan lebih spesifik, misalnya analisis stratifikasi pada

bidang epidemiologi dan juga untuk mengetahui hubungan linier dua variabel

katagorik, sehingga kedua jenis ini jarang digunakan.

Untuk mengetahui adanya nilai E kurang dari 5, dapat dilihat pada footnote b

dibawah kotak Chi-Square Test, dan tertulis diatas nilainya 0 cell (0 %) berarti

pada tabel silang diatas tidak ditemukan ada nilai E < 5


127

Dengan demikian kita menggunakan uji Chi Square yang sudah dilakukan

koreksi (Continuity Correction) dengan p value dapat dilihat pada kolom

“Asymp. Sig” dan terlihat p valuenya = 0,011. berarti kesimpulannya ada

perbedaan perilaku menyusui eksklusif antara ibu yang bekerja dengan ibu yang

tidak bekerja. Dengan kata lain dapat disimpulkan bahwa ada hubungan status

pekerjaan dengan perilaku menyusui eksklusif.

Uji Chi square hanya dapat digunakan untuk mengetahuiada/tidaknya

hubungan dua variabel, sehingga uji ini tidak dapat untuk mengetahui

derajat/kekuatan hubungan dua variabel. Untuk mengetahui besar/kekuatan

hubungan banyak metodenya tergantung latar belakangdisiplin keilmuannya,

misal untuk ilmu sosial dengan melihat koefisien Phi, koefisien Contingency dan

cramer’s V. sedangkan untuk bidang kesehatan terutama kesehatan masyarakat

digunakan nilai OR atau RR. Nilai OR digunakan untuk jenis penelitian Cross

Sectional dan Case Control, sedangkan nilai RR digunakan bila jenis penelitiannya

Kohort.

Pada hasil di atas nilai OR terdapat pada baris Odds ratio yaitu 5,464

(95% CI: 1,627 – 18,357). Sedangkan nilai RR terlihat dari baris For Cohort

yaitu bearnya 2,250 (95% CI: 1,209 – 4,189). Pada data ini berasal dari

penelitian Cross Sectional maka kita dapat menginterpretasikan nialai OR=5,464

sbb: Ibu yang tidak bekerja mempunyai peluang 5,46 kali untuk menyusui

eksklusif dibandingkan ibu yang bekerja.. Pada perintah Crosstab nilai OR akan

keluar bila tabel silang 2 x 2, bila tabel silang lebih dari 2 x 2, misalnya 3 x 2, 4 x

2 dsb, maka nilai OR dapat diperoleh dengan analisis regresi logistik sederhana

dengan cara membuat “Dummy variable”


128

Penyajian dan Interpretasi di Laporan Penelitian: Tabel …

Distribusi Responden Menurut Jenis Pekerjaan dan Perilaku menyusui

Menyusui

Tdk Eksklusif Eksklusif

Total Jenis

Pekerjaan

n % n % n %

OR

(95% CI)

P

value

bekerja 17 68,0 8 32,0 25 100 5,464 0,011

Tdk Bekerja 7 28,0 18 72,0 25 100 1,6 – 18,3

Jumlah 26 52,0 24 48,0 50 100

Hasil analisis hubungan antara status pekerjaan dengan perilaku menyusui

eksklusif diperoleh bahwa ada sebanyak 8 (32%) ibu yang bekerja menyusui

bayi secara eksklusif. Sedangkan diantara ibu yang tidak bekerja, ada 18

(72,0%) yang menyusui secara eksklusif. Hasil uji statistik diperoleh nilai

p=0,011 maka dapat disimpulkan ada perbedaan proporsi kejadian menyusui

eksklusif antara ibu tidak bekerja dengan ibu yang bekerja (ada hubungan yang

signifikan antara pekerjaan dengan perilaku menyusui). Dari hasil analisis

diperoleh pula nilai OR=5,464, artinya ibu tidak bekerja mempunyai peluang 5,46

kali untuk menyusui eksklusif dibanding ibu yang bekerja.


129

ANALISIS HUBUNGAN

NUMERIK DENGAN NUMERIK

UJI KORELASI DAN REGRESI LINIER SEDERHANA

Seringkali dalam suatu penelitian kita ingin mengetahui hubungan antara

dua variabel yang berjenis numerik, misalnya huubungan berat badan dengan

tekanan darah, hubungan umur dengan kadar Hb, dsb. Hubungan antara dua

variabel numerik dapat dihasilkan dua jenis, yaitu derajat/keeratan hubungan,

digunakan korelasi. Sedangkan bila ingin mengetahui bentuk hubungan antara

dua variabel digunakan analisis regresi linier.

1. Korelasi

Korelasi di samping dapat untuk mengetahui derajat/keeratan hubungan,

korelasi dapat juga untuk mengetahui arah hubungan dua variabel numerik.

Misalnya, apakah huubungan berat badan dan tekanan darah mempunyai derajat

yang kuat atau lemah, dan juga apakah kedua variabel tersebut berpola positif

atau negatif.

Secara sederhana atau secara visual hubungan dua variabel dapat dilihat

dari diagram tebar/pencar (Scatter Plot). Diagram tebar adalah grafik yang

menunjukkan titik-titik perpotongan nilai data dari dua variabel (X dan Y). Pada

umumnya dalam grafik, variabel independen (X) diletakkan pada garis horizontal

sedangkan variabel dependen (Y) pada garis vertikal.

Dari diagram tebar dapat diperoleh informasi tentang pola hubungan

antara dua variabel X dan Y. selain memberi informasi pola hubungan dari kedua

10


130

variabel diagram tebar juga dapat menggambarkan keeratan hubungan dari

kedua variabel tersebut.

Derajat keeratan hubungan (kuat lemahnya hubungan) dapat dilihat dari

tebaran datanya, semakin rapat tebarannya semakin kuat hubungannya dan

sebaliknya semakin melebar tebarannya menunjukkan hubungannya semakin

lemah.

Untuk mengetahui lebih tepat besar/ derajat hubungan dua variabel

digunakan Koefisien Korelasi Pearson Product Moment. Koefisien korelasi

disimbbolkan dengan r (huruf r kecil).

Koefisien korelasi (r) dapat diperoleh dari formula berikut:

Nilai korelasi (r) berkisar 0 s.d. 1 atau bila dengan disertai arahnya nilainya

antara –1 s.d. +1.

r = 0 tidak ada hubungan linier

r = -1 hubungan linier negatif sempurna

r = +1 hubungan linier positif sempurna

Hubungan dua variabel dapat berpola positif maupun negatif. Hubungan

positif terjadi bila kenaikan satu diikuti kenaikan variabel yang lain, misalnya

semakin bertambah berat badannya (semakin gemuk) semakin tinggi tekanan

darahnya. Sedangkan hubungan negatif dapat terjadi bila kenaikan satu variabel

diikuti penurunan variabel yang lain, misalnya semakin bertambah umur

(semakin tua) semakin rendah kadar Hb-nya.

Linier Positif Linier Negatif Tak ada hubungan

N (Σ XY) – (ΣX ΣY) r = [NΣX2 – (ΣX)2] [NΣY – (ΣY)2


131

Menurut Colton, kekuatan hubungan dua variabel secara kualitatif dapat

dibagi dalam 4 area, yaitu:

Uji Hipotesis

Koefisien korelasi yang telah dihasilkan merupakan langkah pertama

untuk menjelaskan derajat hubungan derajat hubungan linier anatara dua

variabel. Selanjutnya perlu dilakukan uji hipotesis untuk mengetahui apakah

hubungan antara dua variabelteradi secara signifikan atau hanya karena faktor

kebetulan dari random sample (by chance). Uji hipotesis dapat dilakukan dengan

dua cara, yaitu pertama: membandingkan nilai r hitung dengan r tabel, kedua:

menggunakan pengujian dengan pendekatan distribusi t. Pada modul ini kita

gunakan pendekatan distribusi t, dengan formula:

df = n – 2

n = jumlah sampel

2. Regresi Linier Sederhana

Seperti sudah diuraikan di depan bahwa analisis hubungzn dua variabel

dapat digunakan untuk mengetahui bentuk hubungan dua variabel, yaitu dengan

analisis regresi.

Analisis regresi merupakan suatu model matematis yang dapat digunakan

untuk mengetahui bentuk hubungan antar dua atau lebih variabel. Tujuan

r = 0,00 – 0,25 tidak ada hubungan/hubungan lemah

r = 0,00 – 0,25 hubungan sedang

r = 0,00 – 0,25 hubungan kuat

r = 0,00 – 0,25 hubungan sangat kuat / sempurna

n – 2 t = r 1 – r2


132

analisis regresi adalah untuk membuat perkiraan (prediksi) nilai suatu variabel

(variabel dependen) melalui variabel yang lain (variabel independen).

Sebagai contoh kita ingin menghuubungkan dua variabel numerik berat

badan dan tekanan darah. Dalam kasus ini berarti berat badan sebagai variabel

independen dan tekanan darah sebagai variabel dependen, sehingga dengan

regresi kita dapat memperkirakan besarnya nilai tekanan darah bila diketahui

data berat badan.

Untuk melakukan prediksi digunakan persamaan garis yang dapat

diperoleh dengan berbagai cara/metode. Salah satu cara yang sering digunakan

oleh peneliti adalah dengan menggunakan metode kuadrat terkecil (least

square). Metode least square merupakan suatu metode pembuatan garis regresi

dengan cara meminimalkan jumlah kuadrat jarak antara nilai Y yang teramati

dan Y yang diramalkan oleh garis regresi itu. Secara matematis persamaan garis

sbb:

Persamaan di atas merupakan model deterministik yang secara sempurna/tepat

dapat digunakan hanya untuk peristiwa alam, misalnya hukum gravitasi bumi,

yang ditemukan oleh Issac Newton adalah contoh model deterministik. Variabel

kecepatan benda jatuh (variabel dependen) pada keadaan yang ideal adalah

fungsi matematik sempurna (bebas dari kesalahan) dari variabel independen

berat beda dan gaya gravitasi.

Contoh lain misalnya hubungan antar suhu Fahrenheit dengan suhu Celcius

dapat dibuat persamaan Y = 32 + 9/5X. variabel suhu Fahrenheit (Y) dapat

dihitung/diprediksi secara sempurna/tepat (bebas kesalahan) bila suhu Celcius

(X) diketahui.

Ketika berhadapan pada kondisis ilmu sosial, hubungan antar variabel ada

kemungkinan kesalahan/penyimpangan (tidak eksak), aretinya untuk beberapa

nilai X yang sama kemungkinan diperoleh nilai Y yang berbeda. Misalnya

hubungan berat badan dengan tekanan darah, tidak setiap orang yang berat

badannya sama memiliki tekanan darah yang sama. Oleh karena hubungan X

Y = a + bx

Y = a + bx + e


133

dan Y pada ilmu sosial/kesehatan masyarakat tidaklah eksak, maka persamaan

garis yang dibentuk menjadi:

Y = Variabel Dependen

X = Variabel Independen

a = Intercept, perbedaan besarnya rata-rata variabel Y ketika variabel X = 0

b = Slope, perkiraan besarnya perubahan nialia variabel Y bila nilai variabel X

berubah satu unit pengukuran

e = nilai kesalahan (error) yaitu selisih antara niali Y individual yang teramati

dengan nilai Y yang sesungguhnya pada titik X tertentu

Kesalahan Standar Estimasi (Standard Error of Estimate/Se)

Besarnya kesalahan standar estimasi (Se) menunjukkan ketepatan

persamaan estimasi untuk menjelaskan nilai variabel dependen yang

sesungguhnya. Semakin kecil nilai Se, makin tinggi ketepatan persamaan

estimasi yang dihasilkan untuk menjelaskan niali variabel dependen yang

sesungguhnya. Dansebaliknya, semakin besar nilai Se, makin rendah ketepatan

persamaan estimasi yang dihasilkan untuk menjelaskan nilai variabel dependen

yang sesungguhnya. Untuk mengetahhui besarnya Se dapat dihitung melalui

formula sbb:

ΣXY – (ΣXΣY)/n b = ΣX2 – (ΣX)2/n

a = Y - bX


134

Koefisien Determinasi (R2)

Ukuran yang penting dan sering digunakan dalam analisisregresi adalah

koefisien determinasi atau disimbolkan R2 (R Square). Koefisien determinasi

dapat dihitung dengan mengkuadratkan nilai r, atau dengan formula R2=r2.

Koeifisien determinasi berguna untuk mengetahui seberapa besar variasi variabel

dependen (Y) dapat dijelaskan oleh variabel independen (X). atau dengan kata

lain R2 menunjukkan seberapa jauh variabel independen dapat memprediksi

variabel dependen.Semakin besar nilai R square semakin baik/semakin tepat

variabel independen memprediksi variabel dependen. Besarnya nialai R square

antara 0 s.d. 1 atau antara 0% s.d. 100%.

Se = ΣY2 - aΣY - bΣXY n-2


135

KASUS :

KORELASI DAN REGRESI

Sebagai contoh kita akan melakukan analisis korelasi dan regresi

menggunakan data ‘ASI.SAV’ dengan mengambil variabel yang bersifat numerik

yaitu umur dengan kadar Hb (diambil Hb pengukuran pertama: Hb1).

A. Korelasi

Untuk mengeluarkan uji korelasi langkahnya adalah sbb:

1. Aktifkan data ‘ASI.SAV’

2. Dari menu utama SPSS, klik ‘Analyze’, kemudian pilih ‘Correlate’, dan lalu pilih

‘Bivariate’, dan muncullah menu Bivariate Correlations:

3. Sorot variabel ‘Umur dan Hb1, lalu masukkan ke kotak sebelah kanan

‘variables’.

4. Klik ‘OK” dan terlihat hasilnya sbb:


136

Correlations

Correlations

1 .684**.000

50 50.684** 1.000

50 50

Pearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)N

berat badan ibu

berat badan bayi

beratbadan ibu

beratbadan bayi

Correlation is significant at the 0.01 level (2-tailed).**.

Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi,

informasi yang muncul terdapat tiga baris, baris pertama berisi nilai korelasi (r),

baris kedua menapilkan nilai p (P value), dan baris ketiga menampilkan N

(jumlah data). Pada hasil di atas diperoleh nilai r = 0,684 dan nilai p = 0,0005.

Kesimpulan dari hasil tersebut: hubungan berat badan ibu dengan berat badan

bayi menunjukkan hubungan yang kuat dan berpola positif artinya semakin

bertambah berat badannya semakin tinggi berat bayinya. Hasil uji statistik

didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat

badan bayi (p = 0,0005).

B. Regresi Linier Sederhana

Berikut akan dilakukan analisis regresi linier dengan menggunakan

variabel ‘berat badan ibu’ dan ‘berat badan bayi’ dari data ASI.SAV. dalam

analisis regresi kita harus menentukan variabel dependen dan variabel

independennya. Dalam kasus ini berarti berat badan ibu sebagai variabel

independen dan berat badan bayi sebagai variabel dependen. Adapun caranya:

1. Pastikan tampilan berada pada data editor ASI.SAV, jika belum aktifkan data

tersebut.

2. Dari menu SPSS, Klik ‘Analysis’, pilih ‘Regression’, pilih ‘Linear’

3. Pada tampilan di atas ada beberpa kotak yang harus diisi. Pada kotak

‘Dependen’ isikan variabel yang kita perlakukan sebagai dependen (dalam


137

contoh ini berarti berat badan bayi) dan pada kotak Independent isikan

variabel independennnya (dalam contoh ini berarti berat badan ibu), caranya

4. klik ‘berat badan bayi’, masukkan ke kotak Dependent

5. Klik ‘berat badan ibu’, masukkan ke kotak Independent

6. Klik ‘OK’, dan hasilnya sbb:

Regression

Model Summary

.684a .468 .456 430.715Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), berat badan ibua.


138

ANOVAb

7820262 1 7820261.965 42.154 .000a

8904738 48 185515.37616725000 49

RegressionResidualTotal

Model1


Predictors: (Constant), berat badan ibua.

Dependent Variable: berat badan bayib.

Coefficientsa

657.929 391.676 1.680 .09944.383 6.836 .684 6.493 .000

(Constant)berat badan ibu

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: berat badan bayia.

Dari hasil di atas dapat diinterpretasikan dengan mengkaji nilai-nilai yang

penting dalam regresi linier diantaranya: koefisien determinasi, persamaan garis

dan p value. Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda

dapat lihat pada tabel ‘Model Summary’) yaitu besarnya 0,468 artinya,

persamaan garis regresi yang kita peroleh dapat menerangkan 46,8% variasi

berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk

menjelaskan variabel berat badan bayi. Selanjutnya pada tabel ANOVAb ,

diperoleh nilai p (di kolom Sig) sebesar 0,0005, berarti pada alpha 5% kita dapat

menyimpulkan bahwa regresi sederhana cocok (fit) dengan data yang ada

persamaan garis regresi dapat dilihat pada tabel ‘Coefficienta’ yaitu pada kolom

B. Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept atau

nilai a) sebesar 657,93 dan nilai b = 44,38, sehingga persamaan regresinya:

Y = a + bX

Berat badan bayi = 657,93 + 44,38(berat badan ibu)

Dengan persamaan tersebut, berat badan bayi dapat diperkirakan jika kita tahu

nilai berat badan ibu. Uji uji statistik untuk koefisien regresi dapat dilihat pada

kolom Sig T, dan menghasilkan nilai p=0,0005. Jadi pada alpha 5% kita menolak


139

hipotesis nol, berarti ada hubngan linier antara berat badan ibu dengan berat

badan bayi. Dari nilai b=44,38 berarti bahwa variabel berat badan bayi akan

bertambah sebesar 44,38 gr bila berat badan ibu bertambah setiap satu

kilogram.

Penyajian dan Interpretasi

Tabel …

Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi

Variabel R R2 Persamaan garis P value

Umur 0,684 0,468 bbayi =657,93 + 44,38*bbibu 0,0005

Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan

kuat (r=0,684) dan berpola positif artinya semakin bertambah berat badan ibu

semakin besar berat badan bayinya. Nilai koefisien dengan determinasi 0,468

artinya , persamaan garis regresi yang kita peroleh dapat menerangkan 46,8,6%

variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk

menjelaskan variabel berat badan bayi. Hasil uji statistik didapatkan ada

hubungan yang signifikan antara berat badan ibu dengan berat badan bayi

(p=0,005).

Memprediksi variabel Dependen

Dari persamaan garis yang didapat tersebut kita dapat memprediksi

variabel dependen (berat badan bayi) dengan variabel independen (berat badan

ibu). Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan

ibu sebesar 60 kg, maka:

Berat badan bayi =657,93 + 44,38(berat badan ibu)

Berat badan bayi= 657,93 + 44,38(60)


140

Berat badan bayi = 3320,73

Ingat prediksi regresi tidak dapat menghasil;kan angka yang tepat seperti di

atas, namun perkiraannya tergantung dari nilai ‘Std, Error of The estimate’(SEE)

yang besarnya adalah 430,715 (lihat di kotak Model Summary). Dengan

demikianvariasi variabel dependen = Z*SEE. Nilai Z dihitung dari tabel Z dengan

tingkat kepercyaan 95% dan didapat nilai Z = 1,96, sehingga variasinya 1,96 *

430,715 = ± 844,201

Jadi dengan tingkat kepercayaan 95%, untuk berat badan ibu 60 kg

diprediksikan berat badan bayinya adalah diantara 2476,5 gr s.d 4164,9 gr

C. Membuat Grafik Prediksi

Langkahnya:

1. Klik ‘Graphs, pilih ‘Scatter’

2. Klik Sampel klik ‘Define’

3. Pada kotak Y Axis isikan variabel dependennya (masukkan veriabel

dependennya (masukkan Hb1)

4. Pada kotak X Axis isikan variabel independennya (masukkan veriabel

dependennya (masukkan Umur)

5. Klik ‘OK’

6. Terlihat di layar grafik scatter plot-nya (garis regresi belum ada?)

7. Untuk mengeluarkan garisnya, klik grafiknya 2 kali

8. klik’Chart’

9. pada kotak ‘Fit Line, Klik Total

10. klik ‘OK’ maka muncul garis regresi


141

ANALISIS MULTIVARIAT

Proses analisis multivariat dengan menghubungkan beberapa variabel

independen dengan satu variabel dependen pada waktu yang bersamaan.

Jumlah sampel dalam analisis multivariat sangat penting diperhatikan, sebaiknya

jangan terlalu sedikit, pedoman yang berlaku adalah setiap variabel minimal

diperlukan 10 responden. Bila dalam penelitian terdapat 10 variabel, maka

diperlukan jumlah sampel minimal = 10 x 10 responden = 100 responden.

Dari analisis multivariat kita dapat mengetahui:

a. Variabel independen mana yang paling besar pengaruhnya terhadap variabel

dependen?

b. Apakah variabel independen berhubungan dengan variabel dependen

dipengaruhi variabel lain atau tidak?

c. Bentuk hubungan beberapa variabel independen dengan variabel dependen,

apakah berhubungan langsung atau pengeruh tidak langsung.

Prosedur pengujian tergantung dari jenis data yang diuji apakah katagori

atau numerik. Berikut adalah gambaran secara garisbesar beberapa analisis

statistik yang dapat digunakan untuk analisis multivariat:

Variabel Independen Variabel Dependen Jenis Uji

Numerik

(minimal 1 variabel numerik)

Numerik Uji Regresi Linier

Katagori Numerik ANOVA

Katagori

(dapat dengan numerik)

Katagori Uji Regresi Logistik

Kontinyu Katagori Uji Diskriminan

Numerik/Katgori Numerik waktu Uji Regresi Cox

11


142

Dalam melakukan analisis multivariat kita harus mengetahui terlebih

dahulu mengenai konsep konfounding dan Interaksi.

a.Konfounding

Konfounding merupakan kondisi bias dalam mengestimasi efek

pajanan/expose terhadap kejadian penyakit/masalah kesehatan, akibat dari

perbandingan yang tidak seimbang antara kelompok expose dengan kelompok

non expose. Masalah ini terjadi dikarenakan pada dasarnya sudah ada perbedaan

risiko terjadinya penyakit pada kelompok expose dengan kelompok non expose.

Artinya risiko terjadinya penyakit pada kedua kelompok itu berbeda meskipun

expose dihilangkan pada kedua kelompok tersebut.

Satu variabel disebut konfounding bila variabel tersebut merupakan faktor

risiko terjadinya penyakit dan memiliki hubungan dengan expose. Seorang ahli

statistik menyatkan bahwa suatu variabel dikatakan konfounding jika variabel

tersebut merupakan faktor risiko untuk terjadinya penyakit(outcome) dan

berhubungan dengan variabel independen tapi tidak merupakan hasil dari

variabel independen.

b.Interaksi

Interaksi atau efek modifikasi adalah heterogenitas efek dari satu expose

Pada tingkat expose yang lain. Jadi efek satu expose pada kejadian penyakit

berbeda pada kelompok expose lainnya. Tidak adanya modifikasi efek, berarti

efek expose homogen. Modisikasi efek merupakan konsep yang penting dalam

analisis karena pada saat analisis kita harus menentukan apakah akan

melaporkan efek bersama (yang terkontrol konfounder) atau efek yang terpisah

untuk masing-masing strata.

Pada analisis multivariat, jika ditemukan adanya interaksi antar variabel

expose dengan variabel lainnya, maka nilai koefisien, misalnya OR, harus

dilaporkan secarfa terpisah menurut strata dari variabel tersebut. Nilai OR yang

tertera pada variabel menjadi tidak berlaku dan nilai OR untuk masing-masing

strata harus dihitung


143

ANALISIS

REGRESI LINIER GANDA

Analisis Multiple regression Linear atau sering disebut juga analisis regresi

linier ganda merupakan perluasan analiss Simple Linear Regression (regresi linier

sederhana). Dalam analisis Simple Linear Regression hanya ada satu variabel

independen (variabel bebas) dihubungkan dengan satu variabel dependen

(terikat).. Sedangkan pada Multiple regression Linear merupakan analisis

hubugan antara beberapa variabel independen dengan satu variabel dependen.

Misalkan untuk mengetahui faktor-faktor yang berhubungan dengan tekanan

darah, dilakukan analisis dengan melibatkan variabel independen: umur, berat

badan, dan jenis kelamin.

Dalam regresi linier ganda variabel dependennya harus numerik

sedangkan variabel independen boleh semuanya numerik dan boleh juga

campuran numerik dan katagorik. Model persamaan regresi linier ganda

merupakan perluasan regresi linier sederhana, yaitu:

1. Asumsi Regresi Linier

Seperti pada umumnya pengujian statistik, dari analisis regresi linier

ganda diharapkan dapat memberikan informasi yang lebih banyak bukan sekedar

diskripsi data teramati. Kita tentu ingin menarik inferensi (menggeneralisasi)

tentang hubungan variabel-variabel dalam populasi asal dari sampel diambil.

Bagaimanakanh hubungan antara umur, berat badan dan jenis kelamin ‘pada

semua orang (populasi)’, tidak hanya seperti yang teramati di sejumlah orang

pada sampel?. Oleh karena itu agar inferensi kita valid maka dalam analisis

regresi dianjurkan untuk mengikuti kaidah-kaidah yang dipersyaratkan dalam

analisis regresi. Dengan kata lain, setiap melakukan analisis Multiple regression

Y = a + b1X1 + b2X2 + …. + bkXk + e

12


144

Linear harus memenuhi asumsi/persyaratan yang ditetapkan. Adapun asumsi

yang digunakan dalam Multiple regression Lineari sebagai berikut

a. Asumsi Eksistensi (Variabel Random)

Untuk tiap nilai dari variabel X (variabel independen), variabel Y (dependen)

adalah variabel random yang mempunyai mean dan varian tertentu. Asumsi

ini berkaitan dengan teknik pengambilan sampel. Untuk memenuhi asumsi ini,

sampel yang diambil harus dilakukan secara random. Cara mengetahui

asumsi eksistensi dengan cara melakukan analisis deskriptif vareiabel residual

dari model, bila residual menunjukkan adanya mean dan sebaran (varian ata

satandar deviasi) maka asumsi eksistensi terpenuhi.

b. Asumsi Independensi

Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain. Jadi nilai

dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai

observasi yang berbeda yang diukur dari satu individu diukur dua kali. Untuk

mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin

Watson, bila nilai Durbin –2 s.d. +2 berarti asumsi independensi terpenuhi,

sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi

c. Asumsi Linieritas

Nilai mean dari variabel Y untuk suatu kombinasi X1, X2, X3, …, Xk terletak

pada garis/bidang linier yang dibentuk dari persamaan regresi. Untuk

mengetahui asumsi linieritas dapat diketahui dari uji ANOVA (overall F test)

bila hasilnya signifilan (p value<alpha) maka moodel berbentuk linier.

d. Asumsi Homoscedascity

Varian nilai variabel Y sama untuk semua nilai variabel X. Homoscedasticity

dapat diketahui dengan melakukan pembuatan plot residual. Bila titik tebaran

tidak berpola tertentu dan menyebar merata disekitar garis titik nol maka

dapat disebut varian homogen pada setiap nilai X dengan demikian asumsi

homoscedasticity terpenuhi. Sebaliknya bila titik tebaran membentuk pola

tertentu misalnya mengelompok di bawah atau di atas garis tengah nol, maka

diduga variannya terjadi heteroscedasticity.


145

e. Asumsi Normalitas

Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X.

dapat diketahui dari Normal P-P Plot residual, bila data menyebar di sekitar

garis diagonal dan mengikuti arah garis diagonal, maka model regresi

memenuhi asumsi model regresi tidak memenuhi asumsi normalitas.

2. Kegunaan Analisis Regresi Ganda

Tujuan analisis regresi linier ganda adalah untuk menemukan model

regresi yang paling sesuai menggambarkan faktor-faktor yang berhubungan

dengan variabel dependen. Pada prinsipnya, model regresi ganda dapat berguna

untuk dua hal:

a. Prediksi, memperkirakan variabel dependen dengan menggunakan informasi

yang ada pada sebuah atau beberapa variabel independen. Disini dapat

diketahui secara probabilitas nilai variabel dependen bila seseorang/individu

mempunyai suatu set variabel dengan independen tertentu. Misalnya kita

melakukan analisis variabel independen umur, BB dan jenis kelamin

dihubungkan dengan variabel dependen tekanan darah. Dari hasil regresi,

seseorang iindividu dapat diperkirakantekanan darahnya pada umur, berat

badan dan jenis kelamin tertentu.

b. Estimasi, menguantifikasihubungan sebuah atau beberapa variabel

independen dengan sebuah variabel dependen. Pada fungsi ini regresi dapat

digunakan untuk mengetahui variabel indepeden apa saja yang berhubungan

dengan variabel dependen. Selain itu kita juga dapat mengetahui seberapa

besar hubungan masing-masing independen terhadap variabel independen

lainnya. Dari analisis ini dapat diketahui variabel mana yang paling

besar/dominan mempengaruhi variabel dependen, yang ditunjukkan dari

koefisien regresi (b) yang sudah distandardisasi yaitu nilai beta.


146

3. Pemodelan

Satu hal yang penting dalam regresi ganda adalah bagaimana memilih

variabel independen sehingga terbentuk sebuah model yang paling sesuai

menjelaskan/ mengambarkan variabel dependen yang sesungguhnya dalam alam

(populasi).

Dalam pembuatan model seringkali dijumpai pandangan yang kurang

tepat yaitu “memasukkan semua/sebanyak mungkin variabel independen ke

dalam model”. Alasannya, dengan memasukkan sebanyak mungkin variabel

independen ke dalam model, maka variabel dependen diharapkan diprediksi

dengan sempurna. Perlu diketahui bahwa penambahan variabel independen tidak

selalu meningkatkan kemampuan prediksi variabel independen terhadap variabel

dependen, sebab semakin banyak variabel independen (lebih-lebih variabel yang

tidak relevan) mengakibatkan makin besarnya nilai standar error (Se). disamping

itu, model dengan banyak variabel seringkali malah menyulitkan dalam

interpretasi.

Berdasarkanpertimbangan tersebut pemilihan variabel independen

hendaknya dengan memperhatikan aspek statistik dan substansi. Model yang

dihasilkan diharapkan model yang PARSIMONI, artinya variabel yang masuk

dalam model sebaiknya yang sedikit jumlahnya, namun cukup baik untuk

menjelaskan faktor-faktor penting yang berhubngan dengan variabel dependen.

Banyak Kriteria yang dapat digunakan untuk memilih variabel masuk

dalam model, salah satu kriteria yang sering digunakan adalah melihat

perubahan R2 (R Square). Namun penggunaan kriteria ini perlu hati-hati, karena

setiap penambahan satu variabel independen akan meningkatkan R2 walaupun

variabel tersebuttidak cukup penting. Oleh karena itu model yang digunakan

adalah model dengan nilai R2 yang besar namun variabel independennya dengan

jumlah sedikit.

Berikut langkah-langkah dalam pemodelan regresi linier ganda:

1). Melakukan analisis bivariat untuk menentukan variabel yang menjadi kandidat

model. Masing-masing variabel independen dihubungkan dengan variabel


147

dependen (bivariat), bila hasil uji bivariat mempunyai nilai p<0,25, maka

variabel tersebut masuk dalam model multivariat. Untuk variabel yang p

value-nya > 0,25 namun secara substansi penting, maka variabel tersebut

dapat masuk ke multivariat.

2) Lakukan analisis secara bersamaan, lakukan pemilihan variabel yang masuk

dalam model. Ada beberapa metode untuk melakukan pemilihan variabel

independen dalam analisis multivariat regresi linier ganda, yaitu:

a). ENTER, memasukkan semua variabel independen dengan serentak satu

langkah, tanpa melewati kriteria kemanaan statistik tertentu. Metode ini

yang tepat/sering digunakan, karena dalam pemodelan kita dapat

melakukan pertimbangan aspek substansi.

b). FORWARD, measukkan satu persatu variabel dari hasil pengkorelasian

variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke

dalam model, sampai semua variabel yang memenuhi kriteria tersebut

masuk ke dalam model. Variabel yang masuk pertama kali adalah variabel

yang mempunyai korelasi parsial terbesar dengan variabel dependen dan

yang memenuhi kriteria tertentu untuk dapat masuk model. Korelasi

parsial adalah adalah korelasi antara variabel independen dengan

dependen, kriteria variabel yang dapat masuk P-in (PIN) adalah 0,005

artinya variabel yang dapat masuk model bila variabel tersebut

mempunyai nilai P lebih kecil atau sama dengan 0,05.

c). BACKWARD, meamasukkan semua variabel ke dalam model, tetapi

kemudian satu persatu variabel independen dikeluarkan dari model

berdasarkan kriteria kemaknaan tertentu, variabel yang pertama kali

dikeluarkan adalah variabel yang mempunyai korelasi parsial terkecil

dengan variabel dependen. Kriteria pengeluaran atau P-out (POUT) adalah

0,10, artinya variabel yang mempunyai nilai P lebih besar atau sama

dengan 0,10 dikeluarkan dari model.

d). STEPWISE, model ini merupakan kombinasi antara metode backward dan

Forward. Seperti halnya forward, metode Stepwise dimulai dari tanpa


148

variabel sama sekali di dalam model. Lalu satu variabel hasil

pengkorelasian variabel dimasukkan ke dalam model. Lalu satu persatu

variabel hasil pengkorelasian dimasukkan ke dalam model dan

dikeluartkan dari model dengan kriteria tertentu. Variabel yang pertama

masuk sama dengan metode forward yakni variabel yang mempunyai

korelasi parsial terbesar. Selanjutnya setelah masuk, variabel pertama ini

diperiksa lagi apakah harus dikeluarkan dari model menurut kriteria

pengeluaran seperti metode backward.

e). REMOVE, mengeluarkan semua variabel independen dengan serentak satu

langkah, tanpa melewati kriteria kemaknaan statistik tertentu.

3) Melakukan diagnostik regresi linier,

a). Melakukan pengujian terhadap kelima asumsi.

b). Melakukan pengujian adanya kolinearitas. Kolinearitas terjadi bila antar

variabel independen terjadi saling hubungan yang kuat. Untuk mengetahui

adanya kolinearitas dapat dilihat dai nilai koefisien korelasi ®, bila nilai r

lebih tinggi dari 0,8 maka terjadi kolinearitas. Selain itu dapat diketahui

dari nilai VIF atau tolerance, bila nilai VIF > 10, atau tolerance sekitar 1

(satu) maka model terjadi kolinearitas.

4). Melakukan analisis interaksi. Setelah memperoleh model yang memuat

variabel-variabel penting, maka langkah selanjutnya adalah memeriksa

adanya interaksi antar variabel independen. Interaksi merupakan keadaan

dimana hubungan antara satu variabel independen dengan dependen

berbeda menurut tingkat variabel independen yang lain.

5). Penilaian reliabilitas model. Model regresi yang sudah terpilih perlu dicek

reliabilitasnya dengan cara membagi (split) sampel ke dalam dua kelompok.

Untuk masing-masing sampel dibuat model dengan variabel yang sama,


149

kemudian bandingkan antara model 1 dan model 2, bila hasilnya

sama/hampir sama maka model regresi reliabel. Bila model reliabel maka

seluruh sampel dapat digunakan untuk pembuatan model.


150

KASUS:

REGRESI LINIER GANDA Sebagai latihan kita melakukan analisis penelitian “faktor-faktor yang

berhubungan dengan berat badan bayi”. Gunakan/aktifkan file data LBW.SAV.

Variabel independennya meliputi berat badan ibu dlm pounds (BWT), umur

ibu(AGE), riwayat hipetensi(HT), riwayat merokok(SMOKE), frekuensi mengalami

prematur (PTL) dan frekuensi melakukan ANC (FTV). Variabel dependennya

berat badan bayi (BWT).

Kode variabel pada file data : LBW.SAV

Nama Definisi Operasional Hasil Ukur

Id Nomor Identitas

Low Kondisi bayi dalam klasifikasi BBLR 0 = ≥ 2500 g

1 = < 2500 g

Age Umur ibu tahun

Lwt Berat ibu pada saat menstruasi terakhir pounds

Race Suku bangsa/ras 1= putih

2= hitam

3 = lainnya

Smoke Kebiasaan merokok selama hamil 0 = tidak

1 = ya

Ptl Riwayat mengalami prematur 0 = tidak

1 = ya

Ht Riwayat menderita hipertensi 0 = tidak

1 = ya

Ui Terjadi/mengalami iritability Uterine 0 = tidak

1 = ya

Ftv Frekuensi periksa hamil pada trimester pertama 0 ,1, 2 dst..

Bwt Berat badan bayi gram


151

Data selengkapnya ada di lampiran:

A. Langkah pertama pemodelan: SELEKSI BIVARIAT

Seleksi bivariat masing-masing variabel independen dengan variabel dependen.

Variabel yang dapat masuk model multivariat adalah variabel yang pada analisis

bivariatnya mempunyai nilai p (p value) < 0,25. Namun ketentuan p value<0,25

ini tidaklah harus dipenuhi manakala dijumpai ada suatu variabel yang walaupun

p value-nya > 0,25 karena secara substansi sangat penting berhubungan dengan

variabel dependen, maka variabel tersebut dapat diikutkan dalam model

multivariat.

Uji yang digunakan pada analisis bivariat tergantung dari variabel yang

digunakan, bila : variabel independennya numerik -> uji korelasi, bila

independennya katagorik -> uji t atau uji anova.

a. Bivariat uji korelasi : melakukan analisis bivariat untuk variabel independen

berjenis numerik: variabel berat badan ibu, umur ibu, frekuensi prematur,

frekuensi anc :

Langkahnya :

1. Klik ‘Analysis’, sorot ke ‘Correlate’, sorot dan klik ‘Bivariate’

2. Muncul dilayar menu ‘Bivariate Correlations’

3. Pada kotak Variables, isikan semua variabel numerik baik untuk variabel

independen (age,lwt,ptl,ftv) dan dependen (bwt)


152

4. Klik tombol ‘OK’

Muncul dilayar hasil sbb:

Correlations

Correlations

1 .180* .215** .072 .090.013 .003 .328 .219

189 189 189 189 189.180* 1 .141 -.140 .186*.013 .054 .055 .010189 189 189 189 189.215** .141 1 -.044 .058.003 .054 .544 .426

189 189 189 189 189

.072 -.140 -.044 1 -.155*

.328 .055 .544 .034189 189 189 189 189.090 .186* .058 -.155* 1.219 .010 .426 .034189 189 189 189 189

Pearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)N

Pearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)N

Age of mother

Weight of mother(pounds)

No physician visitsin first trimester

History ofpremature labor

Birth weight (gram)

Age ofmother

Weight ofmother

(pounds)

Nophysician

visits in firsttrimester

History ofpremature labor

Birthweight(gram)

Correlation is significant at the 0.05 level (2-tailed).*.

Correlation is significant at the 0.01 level (2-tailed).**.


153

Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel

umur (p=219), berat badan (p=0,010), frekuensi anc (p=0,426), frekuensi

prematur (p=0,034). Dari hasil ini dapat kita simpulkan bahwa variabel umur,

berat badan dan frekuensi prematur mempunayi p value < 0,25, dengan

demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat.

Sedangkan untuk variabel frekuensi anc mempunyai p value > 0,25 (yaitu

p=0,426) sehingga tidak bisa masuk ke multivariat, namun demikian oleh karena

secara substansi frekuensi anc merupakan faktor yang sangat penting

mempengaruhi berat badan bayi, maka variabel frekuensi anc tetap diikutkan

dalam analisis multivariat.

b. Bivariat uji t: melakukan analisis bivariat untuk variabel independen

berjenis katagorik: merokok dan riwayat hipertensi

1. Merokok

Langkahnya:

1.Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub menu


2.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan




3.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’

4.Klik variabel ‘smoke’ dan masukkan ke kotak‘Grouping Variable’.


154

5.Klik ‘Define Group’, kemudian di layar nampak kotak isian. Anda diminta

mengisi kode variabel ‘smoke’ ke dalam kedua kotak. Pada contoh ini, kita tahu

bahwa ‘0’ tidak merokok dan kode ‘1’ untuk Yang merokok. Jadi ketiklah 0 pada

Group 1” dan 1 pada “Group 2”


10. Klik “OK” untuk menjalankan prosedur perintahnya, dan hasilnya sbb:

T-Test

Group Statistics

115 3054.96 752.409 70.16374 2773.24 660.075 76.732

Smoking statusNoYes

Birth weight (gram)N Mean Std. Deviation

Std. ErrorMean


155


1.508 .221 2.634 187 .009 281.713 106.969 70.693 492.7

2.709 170.0 .007 281.713 103.974 76.467 487.0


Birthweight(gram)

F Sig.

Levene's Testfor Equality of

Variances

t df

Sig.(2-tailed)

MeanDifferen

ce

Std. ErrorDifferenc

e Lower Upper


Difference


Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0,009, dengan demikian p value yang dihasilkan < 0,25 maka variabel merokok dapat lanjut ke multivariat. 2. Riwayat Hipertensi

Langkahnya:

1.Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub menu


2.Pada layar tampak kotak yang di dalamnya ada kotak ‘Test variable’ dan




3.Klik ‘bwt’ dan msukkan ke kotak ‘Test variable’

4.Klik variabel ‘ht’ dan masukkan ke kotak‘Grouping Variable’. (variabel yang

sebelumnya (variabel smoke) dikeluarkan dahulu baru ‘ht’ dimasukkan


156

5.Klik ‘Define Group’, kemudian di layar nampak kotak isian. Anda diminta

mengisi kode variabel ‘smoke’ ke dalam kedua kotak. Pada contoh ini, kita tahu

bahwa ‘0’ tidak ada hipertensi dan kode ‘1’ ada hipertensi’. Jadi ketiklah 0 pada

Group 1” dan 1 pada “Group 2”

6.Klik “Continue”

7.Klik “OK” untuk menjalankan prosedur perintahnya, dan hasilnya sbb:

Group Statistics

177 2972.31 709.226 53.30912 2536.75 917.341 264.813

History of hypertensionNoYes

Birth weight (gram)N Mean Std. Deviation

Std. ErrorMean


157


1.419 .235 2.019 187 .045 435.56 215.709 10.024 861.1

1.612 11.908 .133 435.56 270.126 -153.5 1025


Birthweight(gram)

F Sig.

Levene's Test forEquality ofVariances

t df

Sig.(2-taile

d)

MeanDiffere

nce

Std.Error

Difference Lower Upper


Difference


Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0,045, berarti p valuenya < 0,25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen, dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat. B. Langkah Kedua : Pemodelan Multivariat Setelah tahap bivariat selesai, tahap berikutnya melakukan analisis multivariat

secara bersama-sama. Variabel yang valid dalam model multivariat adalah

variabel yang mempunyai p value < 0,05. Bila dalam model multivariat dijumpai

variabel yang p value nya > 0,05, maka variabel tersebut harus dikeluarkan

dalam model. Pengeluaran variabel dilakukan tidak serempak, melainkan

bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar. Adapun

proses selengkapnya sbb:

1. Klik ‘Analyisis’, sorot ‘Regression’, sorot dan klik ‘Linier’ lalu muncul menu

regresi linier,

a. Pada kotak ‘dependen isikan variabel dependen (dalam hal ini

berarti bwt) dan kotak ‘independen’ isikan variabel independennya

(dalam hal ini age, lwt, smoke, ht, ptl, ftv)


158

5. Pada kotak ‘Method’, pilih Enter’

6. Abaikan lainnya

7. Klik ‘OK’, dan hasilnya

Regression

Model Summary

.340a .116 .086 696.829Model1



Predictors: (Constant), No physician visits in firsttrimester, Smoking status, History of hypertension,History of premature labor, Age of mother, Weight ofmother (pounds)

a.


159

ANOVAb

11543236 6 1923872.611 3.962 .001a

88373817 182 485570.42399917053 188


Model1


Predictors: (Constant), No physician visits in first trimester, Smoking status, Historyof hypertension, History of premature labor, Age of mother, Weight of mother(pounds)

a.

Dependent Variable: Birth weight (gram)b.

Coefficientsa

2315.862 299.442 7.734 .0007.162 10.022 .052 .715 .476

4.793 1.777 .201 2.698 .008

-232.253 105.928 -.156 -2.193 .030-154.002 106.574 -.104 -1.445 .150-574.230 215.481 -.193 -2.665 .008

-2.847 49.705 -.004 -.057 .954

(Constant)Age of motherWeight of mother(pounds)Smoking statusHistory of premature laborHistory of hypertensionNo physician visits in firsttrimester

Model1

B Std. Error


Beta


t Sig.

Dependent Variable: Birth weight (gram)a.

Dari kotak ‘Model Sumarry” didapatkan nilai R Square sebesar 0,116, artinya

keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar

11,6 % sedangkan sisanya dijelaskan oleh variabel lain. Dari hasil uji statistik

(lihat kotak anova) didapatkan p value = 0,001 berarti persamaan garis regresi

secara keseluruhan sudah signifikan. Namun demikian prinsip pemodelan harus

yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di

cek nilai p valuenya, variabel yang p valuenya > 0,05 dikeluarkan daari model.

Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3

variabel yang p valuenya > 0,05, yaitu umur (age) p=0,476, riwayat prematur

(history prematur) p=0,150 dan frekuensi anc (no physician) p=0,954. Tahap

berikutnya mengeluarkan variabel yang p valuenya > 0,05, pengeluaran variabel

dimulai dari p value yang terbesar. Dengan demikian variabel yang kita coba

keluarkan adalah frekuensi anc(No physician..).


160

Langkahnya:

1. Klik ‘Analysis’, sorot ‘Regression’, sorot dan klik ‘Linier’

2. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan

biarkan saja. Pada kotak Independen juga masih lengkap ada 6 variabel,

namun sekarang anda harus keluarkan variabel ‘no physician’ dan

masukkan ke kotak Variable di sebelah kiri.

3. Klik OK, dan hasilnya sbb:

Model Summary

.340a .116 .091 694.929Model1



Predictors: (Constant), History of hypertension,Smoking status, Age of mother, History of prematurelabor, Weight of mother (pounds)

a.

Coefficientsa

2317.608 297.074 7.801 .0007.051 9.807 .051 .719 .473

4.781 1.759 .201 2.718 .007

-232.224 105.638 -.156 -2.198 .029-153.747 106.191 -.104 -1.448 .149-573.011 213.841 -.192 -2.680 .008

(Constant)Age of motherWeight of mother(pounds)Smoking statusHistory of premature laborHistory of hypertension

Model1

B Std. Error


Beta


t Sig.


Setelah variabel frekuensi anc dikeluarkan, kita cek dulu apakah setelah

dikeluarkan, ada perubahan besar( berubah lebih dari 10 %) untuk R Square

dan Coef. B. Bila ada perubahan yang besar maka variabel tersebut tidak jadi

dikeluarkan dalam model (tetap dipertahankan di model). Untuk nilai R

Square ternyata tidak ada perunbahan yaitu tetap 0,116. Sedangkan untuk

coefisian B, Sekarang kita bandingkan nilai coefisien B untuk variabel umur,


161

berat ibu, merokok, riwayat prematur dan riwayat hiperteni antara sebelum

dan sesudah variabel frekuensi anc dikeluarkan, hasil perhitungannya sbb:

Variabel Anc msih ada Anc dikeluarkan perubahan Coef.

Age

bwt

smoke

ptl

hi

ftv

7,1

4,7

-232,2

-154,0

-574,2

-2,8

7,0

4,7

-232,2

153,7

573,0

-

1,4 %

0 %

0 %

0,1 %

0,1 %

Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel,

ternyata tidak ada yang berubah lebih dari 10 %, dengan demikian variabel

frekuensi anc kita keluarkan dari model.

Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p

value > 0,05. Sekarang kita akan keluarkan variabel umur (p value =0,473).

Langkah/proses :

1. Klik ‘Analysis’, sorot ‘Regression’, sorot dan klik ‘Linier’

2. Di layar nampak pada kotak Dependen masih terisi ‘bwt’ lewati dan

biarkan saja. Pada kotak Independen juga masih terisi ada 5 variabel,

namun sekarang anda harus keluarkan variabel ‘umur (age)’ dan

masukkan ke kotak Variable di sebelah kiri.

3. Klik OK, dan hasilnya sbb:

Model Summary

.336a .113 .094 694.016Model1



Predictors: (Constant), History of hypertension,Smoking status, History of premature labor, Weight ofmother (pounds)

a.


162

Coefficientsa

2449.121 233.779 10.476 .000

5.035 1.721 .211 2.925 .004

-236.420 105.338 -.159 -2.244 .026-145.412 105.417 -.098 -1.379 .169-582.566 213.148 -.195 -2.733 .007

(Constant)Weight of mother(pounds)Smoking statusHistory of premature laborHistory of hypertension

Model1

B Std. Error


Beta


t Sig.


Setelah variabel umur dikeluarkan, nilai R Square ternyata ada sedikit

perunbahan yaitu menjadi 0,113. sedangkan untuk coefisian B, , hasil

perhitungannya sbb:

Variabel Masih lengkap umur dikeluarkan perubahan Coef.

Age

bwt

smoke

ptl

hi

ftv

7,1

4,7

-232,2

-154,0

-574,2

-2,847

-

5,0

-236,4

145,4

582,5

-

-

6,3 %

1,8 %

6,1 %

1,3 %

Dari hasil perhitungan perubahan coef. Ternyata tidak ada yang lebih dari 10 %,

dengan demikian variabel umur kita keluarkan dari model.

Langkah selanjutnya mengeluarkan variabel Riwayat mengalami prematur,

Prosesnya/langkahnya sama dengan diatas, Klik Analysis, sorot Regression, ..dst.

Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan

dimasukkan ke kotak variable disebelah kiri, dan hasilnya sbb:


163

Model Summary

.322a .104 .089 695.707Model1



Predictors: (Constant), History of hypertension,Smoking status, Weight of mother (pounds)

a.

Coefficientsa

2390.105 230.391 10.374 .000

5.352 1.710 .224 3.130 .002

-263.009 103.812 -.177 -2.534 .012-586.722 213.646 -.197 -2.746 .007

(Constant)Weight of mother(pounds)Smoking statusHistory of hypertension

Model1

B Std. Error


Beta


t Sig.


Hasil R Square turun sedikit yaitu menjadi 0,104. Sedangkan hasil perhitungan

perubahan Coef. B dapat dilihat sbb:

Variabel Masih lengkap Prematur keluar perubahan Coef.

Age

bwt

smoke

ptl

hi

ftv

7,1

4,7

-232,2

-154,0

-574,2

-2,847

-

5,3

-236,4

-

582,5

-

-

12,3 %

1,7 %

-

1,3 %

Hasil perhitungan setelah dikeluarkan variabel prematur, ternyata coefisin B pada

variabel beat badan ibu (bwt) beubah sebesar 12,3 % dengan demikian variabel

riwayat mengalami prematur tidak jadi dikeluarkan dan tetap dipertahankan

dalam model multivariat. Dari hasil analisis ternyata tidak ada lagi yang p value-

nya > 0,05 dengan demikian proses pencarian variabel yang masuk dalam model

telah selesai dan model yang terakhir adalah sbb:


164

Model Summaryb

.336a .113 .094 694.016 .222Model1



Durbin-Watson

Predictors: (Constant), History of premature labor, History ofhypertension, Smoking status, Weight of mother (pounds)

a.


Coefficientsa

2449.121 233.779 10.476 .000

5.035 1.721 .211 2.925 .004 .925 1.081

-236.420 105.338 -.159 -2.244 .026 .964 1.037-582.566 213.148 -.195 -2.733 .007 .943 1.060

-145.412 105.417 -.098 -1.379 .169 .947 1.056

(Constant)Weight of mother(pounds)Smoking statusHistory of hypertensionHistory of prematurelabor

Model1

B Std. Error


Beta

Standardize

dCoefficients

t Sig.Tolera

nce VIF

CollinearityStatistics


Langkah selanjutnya UJI ASUMSI Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka

yang valid, maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi

yang diersyaratkan uji regresi linier ganda. Adapun uji asumsinya sbb:

Langkahnya:

1.Klik ‘Analysis’, sorot ‘Regression’, sorot dan klik ‘Linier’

2. Masukkan dalam kotak Dependen variabel ‘bwt’

3. Masukan dalam kotak Independen variabel berat badan ibu (lwt),

merokok(smoke), riwayat hipertensi (hi) dan variabel riwayat prematur(ptl)


165

4.Klik tombol Statistics

5. Klik kotak ‘Collinearity diagnostic’ dan klik kotak ‘Covariance matrix’ (perintah

ini untuk uji asumsi multicoliniarity)

6. Klik kotak ‘Durbin-Watson’ (perintah ini untuk uji asumsi Independensi)

7. Klik Continue


166

8. Klik tombol ‘Plot”

9. Masukkan ‘SRESID’ ke kotak Y, dan masukan ‘ZPRED’ ke kotak X (perintah ini

untuk uji asumsi Homoscedasity)

10. Klik kotak ‘histogram’ dan kotak ‘Normal probability plot” (perintah ini untuk

uji asumsi Normality)

11. Klik Continue

Hasilnya :

a. Asumsi Eksistensi (Variabel Random)

Untuk tiap nilai dari variabel X (variabel independen), variabel Y (dependen)

adalah variabel random yang mempunyai mean dan varian tertentu. Asumsi

ini berkaitan dengan teknik pengambilan sampel. Untuk memenuhi asumsi ini,

sampel yang diambil harus dilakukan secara random. Cara mengetahui asunsi

eksistensi dengan cara melakukan analisis deskriptif vareiabel residual dari

model, bila residual menunjukkan adanya mean mendekati nilai nol dan ada

sebaran (varian ata satandar deviasi) maka asumsi eksistensi terpenuhi. Hasil

analisis:


167

Residuals Statisticsa

2249.77 3602.03 2944.66 245.079 189-2.835 2.682 .000 1.000 189

67.193 292.804 103.399 45.407 189

1955.43 3616.97 2943.73 251.196 189-2082.610 1921.631 .000 686.593 189

-3.001 2.769 .000 .989 189-3.015 2.782 .001 1.005 189

-2102.316 1940.423 .923 708.619 189-3.084 2.835 .000 1.010 189

.768 32.469 3.979 5.320 189

.000 .209 .007 .019 189

.004 .173 .021 .028 189

Predicted ValueStd. Predicted ValueStandard Error ofPredicted ValueAdjusted Predicted ValueResidualStd. ResidualStud. ResidualDeleted ResidualStud. Deleted ResidualMahal. DistanceCook's DistanceCentered Leverage Value

Minimum Maximum Mean Std. Deviation N


Hasil dari output diatas menunjukkan angka residual dengan mean 0,000 dan

standar deviasi 686,59. Dengan demikian asumsi Eksistensi terpenuhi

b. Asumsi Independensi

Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain. Jadi nilai

dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai

observasi yang berbeda yang diukur dari satu individu diukur dua kali. Untuk

mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin

Watson, bila nilai Durbin –2 s.d. +2 berarti asumsi independensi terpenuhi,

sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi

Model Summaryb

.336a .113 .094 694.016 .222Model1



Durbin-Watson


a.


Dari hasil uji didapatkan koefisien Durbin Watson 0,222, berarti asumsi

independensi terpenuhi.


168

c. Asumsi Linieritas

Nilai mean dari variabel Y untuk suatu kombinasi X1, X2, X3, …, Xk terletak

pada garis/bidang linier yang dibentuk dari persamaan regresi. Untuk

mengetahui asumsi linieritas dapat diketahui dari uji ANOVA (overall F test)

bila hasilnya signifilan (p value<alpha) maka moodel berbentuk linier. Hasil

uji asumsi :

ANOVAb

11291987 4 2822996.778 5.861 .000a

88625066 184 481657.96599917053 188


Model1


Predictors: (Constant), History of premature labor, History of hypertension, Smokingstatus, Weight of mother (pounds)

a.


Dari output diatas menghasilkan uji anova 0,0005, berarti asumsi linearitas

terpenuhi

d. Asumsi Homoscedascity

Varian nilai variabel Y sama untuk semua nilai variabel X. Homoscedasticity

dapat diketahui dengan melakukan pembuatan plot residual. Bila titik tebaran

tidak berpola tertentu dan menyebar merata disekitar garis titik nol maka

dapat disebut varian homogen pada setiap nilai X dengan demikian asumsi

homoscedasticity terpenuhi. Sebaliknya bila titik tebaran membentuk pola

tertentu misalnya mengelompok di bawah atau di atas garis tengah nol, maka

diduga variannya terjadi heteroscedasticity.


169

3210-1-2-3

Regression Standardized Predicted Value

3

2

1

0

-1

-2

-3

-4

Regre

ssion

Stud

entiz

ed Re

sidua

lDependent Variable: Birth weight (gram)

Scatterplot

Dari hasil plot diatas terlihat tebaran titik mempunyai pola yang sama antara

titik-titik diatas dan dibawah garis diagonal 0. Dengan demikian asumsi

homoscedasity terpenuhi

e. Asumsi Normalitas

Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X.

dapat diketahui dari Normal P-P Plot residual, bila data menyebar di sekitar

garis diagonal dan mengikuti arah garis diagonal, maka model regresi

memenuhi asumsi model regresi tidak memenuhi asumsi normalitas.


170

3210-1-2-3-4

Regression Standardized Residual

40

30

20

10

0

Freq

uenc

y

Mean = -2.53E-16Std. Dev. = 0.989N = 189

Dependent Variable: Birth weight (gram)

Histogram


171

1.00.80.60.40.20.0

Observed Cum Prob

1.0

0.8

0.6

0.4

0.2

0.0

Expe

cted

Cum

Pro

b

Dependent Variable: Birth weight (gram)

Normal P-P Plot of Regression Standardized Residual

Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk

distribusinya normal, berarti asumsi normality terpenuhi.

f.Diagostik Multicollinearity

Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi

secara kuat (multicollinearity). Untuk mendeteksi collinearity dapat diketahui dari

nilai VIF (variance inflation factor), bila nilai VIF lebih dari 10 maka

mengindikasikan telah terjadi collinearity.


172

Coefficientsa

2449.121 233.779 10.476 .000

5.035 1.721 .211 2.925 .004 .925 1.081

-236.420 105.338 -.159 -2.244 .026 .964 1.037-582.566 213.148 -.195 -2.733 .007 .943 1.060

-145.412 105.417 -.098 -1.379 .169 .947 1.056


Model1

B Std. Error


Beta

Standardize

dCoefficients

t Sig.Tolera

nce VIF



Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10, dengan demikian tidak ada Multicollinearity antara sesama variabel indepeden Dari hasil uji asumsi dan uji kolinearitas ternyata semua asumsi terpenuhi sehingga model dapat digunakan untuk memprediksi berat badan bayi. Langkah sekanjutnya adalah UJI INTERAKSI, Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan. Sehingga model yang terakhir adalah sbb:

Model Summaryb

.336a .113 .094 694.016 .222Model1



Durbin-Watson


a.



173

Coefficientsa

2449.121 233.779 10.476 .000

5.035 1.721 .211 2.925 .004 .925 1.081

-236.420 105.338 -.159 -2.244 .026 .964 1.037-582.566 213.148 -.195 -2.733 .007 .943 1.060

-145.412 105.417 -.098 -1.379 .169 .947 1.056


Model1

B Std. Error


Beta

Standardize

dCoefficients

t Sig.Tolera

nce VIF



Interpretasi model:

Setelah dilakuikan analisis ,ternyata variabel independen yang masuk

model regresi adalah berat badan ibu, ibu merokok, riwayat hipertensi, dan

riwayat prematur. Pada tabel ‘Model Summary’ terlihat koefisien determinasi (R

square) menunjukkan nilai 0,113 artinya bahwa model regresi yang diperoleh

dapat menjelaskan 11,3 % variasi variabel dependen berat bayi. Atau dengan

kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel

berat bayi sebesar 11,3 %.. Kemudian pada kotak ‘ANOVA’, kita lihat hasil uji F

yang menunjukkan nilai P (sig) = 0,000, berarti pada alpha 5% kita dapat

menyatakan bahwa model regresi cocok (fit) dengan data yang ada. Atau dapat

diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi

variabel berat bayi.

Pada kotak ‘Coefficient’ kita dapat memperoleh persamaaan garisnya, pada

kolom B (di bagian Variabel In Equation) di atas, kita dapat mengetahui koefisien

regresi masing-masing variabel. Dari hasil di atas, peresamaat regresi yang

diperoleh adalah

Berat Bayi = 2449,1+5,0 Lwt – 236,4 smoke - 582Hi – 145,4 Ptl


174

Dengan model persamaan ini, kita dapat memperkirakan berat badan bayi

dengan menggunakan variabel berat badan ibu, merokok dan hipertensi. Adapun

arti koef. B untuk masing-masing variabel adalah sbb:

- Setiap kenaikan berat badan ibu sebesar 1 kg, maka berat badan bayi

akan naik sebesar 5,0 gram setelah dikontrol variabel merokok, hipertensi

dan prematur

- Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236,4

gram setelah dikontrol variabel berat badan, hipertensi dan prematur.

- Pada ibu yang menderita hipertensi,berat bayinya akan lebih rendah

sebesar 582,5 gram setelah dikontrol variabel berat badan ibu, merokok

dan prematur.

Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar

peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat

badan bayi). Semakin besar nilai beta semakin besar pengaruh nya terhadap

variabel dependennya. Pada hasil di atas berarti variabel yang paling besar

pengaruhnya terhadap penentuan berat badan bayi adalah berat badan ibu..


175

REGRESI LOGISTIK

Berbeda dengan regresi linier yang variabel dependennya numerik,

regreesi logistik merupakan jenis regresi yang mempunyai ciri khusus, yaitu

variabel dependennya berbentuk variabel katagorik (terutama yang dikotomus,

artinya katagorik yang terdiri dari dua kelompok, misalnya hidup/mati, puas/tidak

puas dll).

A. REGRESI LOGISTIK SEDERHANA

1. Pendahuluan

Analisis regresi logistik adalah salah satu pendekatan model matematis

yang digunakan untuk menganalisis hubungan satu atau beberapa variabel

independen dengan sebuah variabel dependen katagorik yang bersifat

dikotom/binary. Variabel katagorik yang dikotom adalah variabel yang

mempunyai dua nilai variasi, misalnya sakit-tidak Sakit, bayi BBLR dan Normal,

merokok dan tidak merokok, dan lain-lain

Perbedaan antara regresi linear dengan regresi logistik terletak pada jenis

variabel dependennya. Regresi linear digunakan apabila variabel dependennya

numerik , sedangkan regresi logistik diogunakan pada data yang dependennya

berbentuk katagorik yang dikotom.

Untuk memahami lebih jelas tentang regresi logistik coba kita lihat contoh

analisis penelitian yang mempelajari hubungan antara variabel umur dengan

kejadian penyakit jantung koroner. Pengamatan dilakukan pada 100 orang

sampel, didapatkan hasil :

No 1 2 3 4 5 6 7 8 9 10 11 … … 100

Umur 20 22 23 24 25 27 28 29 30 32 33 … … 70

PJK 0 0 1 0 0 1 0 1 1 0 0 … … 1

13


176

Nomor merupakan nomor urut responden dan PJK merupakan variabel kejadian

jantung koroner. Variabel PJK diberi kode 1 bila responden menderita PJK dan

diberi kode 0 bila mereka tiodak menderita PJK.

Bila data tersebut kita perlakukan analisisnya menggunakan regresi linier,

misalnya dibuat penyajian dalam bentuk diagram tebar (Scatter Plot), maka

hubungannya tidak jelas terlihattebaran data pada Scatter Plot membentuk dua

garis yang sejajar. Diagram tebat menunjukkan adanya kecenderungan kejadian

penyakit jantung koroner yang lebih sedikit pada responden yang berusia muda.

Walaupun grafik tersebut telah dapat menggambarkan/menjelaskan variabel

dependen (kejadiab PJK) yang cukup jelas, namun grafik tersebut tidak mampu

menggambarkan dengan lebih tajam/jelas hubungan antara umur dangan

kejadian PJK.

Untuk mempertajam analisis kita, sekarang dicoba untuk

mengelompokkan variabel independen (variabel umur) dan menhitung nilai

tengah (dalam hal ini menghitung proporsi) variabel dependen (variabel PJK)

untuk setiap kelompok variabel umur dan kejadian jantung dapat dilihat pada

tabel berikut:


177

PJK Umur Jumlah

Tidak Ya

Proporsi

Kejadian

20 – 29 10 9 1 0,10

30 – 34 15 13 2 0,13

35 – 39 12 9 3 0,25

40 – 44 15 10 5 0,33

45 – 49 13 7 6 0,46

50 – 54 8 3 5 0,63

55 – 59 17 4 13 0,76

60 – 69 10 2 8 0,80

Total 100 57 43 0,43

Pada tabel terlihat bahwa ada peningkatan proporsi kejadian jantung pada

kelompok umur semakin tua/lanjut. Kemudian kita coba sajikan data tersebut

dengan grafik dan hasilnya dapat dilihat pada grafik berikut:

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

20 - 29 30 – 34 35 – 39 40 – 44 45 – 49 50 – 54 55 – 59 60 – 69

Pada grafik tyer;lihat jelas adanya peningkatan yang tidak linear antara

proporsi kejadian PJK dengan peningkatan umur. Diawali peningkatan yang

landai, kemudian meningkat tajam dan kemudian landai kembali, garis tersebut

menyerupai huruf S.

Kalau kita cermati, pembuatan diagram tebar tersebut merupakan cara

untuk mendeteksi/mengetahui hubungan pada analisis regresi linier, namun ada


178

sedikit perbedaan hal dalam hal meringkas variabel dependennya. Seperti kita

ketahui bahwa pada regresi linier kita ingin mengestimasi nilai mean variabel

dependen berdasarkan setiap nilai variabel independen. Nilai tersebut disebut

sebagai mean kondisional yang dinyatakan dengan E(Y/x), dengan Y sebagai

dependen dan x sebagi independen. E(Y/x) adalah nilai Y yang diharapkan

berdasarkan nilai x. misal Y variabel tekanan darah dan x variabel umur, maka

untuk mengetahui estimasi tekanan darah berdasarkan umu, dihitung rata-rata

(mean) tekanan darah pada masing-masing nilai umur. Pada regresi linier nilai

E(Y/x) akan berkisar antara 0 s.d ∞ (0 ≤ E(Y/x) ≤ ∞).

Pada regresi logistik dapat juga diperlakukan hal tersebut namun ada

sedikit perbedaan dalam menghitung rata-rata variabel dependennya (Y). oleh

karena pada regresi logistik dependennya adalah dikotom maka variabel

dependen dihitung bukan dengan mean namun menggunakan proporsi. Seperti

pada data di atas variabel Y kejadia PJK dan x variabel umur, maka untuk

mengetahui estimasi kejadian PJK berdasarkan umur, dihitung proporsi kejadian

PJK pada tiap kelompok umur. Pada regresi logistik, nilai E(Y/x) akan selalu

berada antara nol dan satu (0 ≤ E(Y/x) ≤ 1).

2. Model Logistik

f(Z) merupakan propbabilitas kejadian suatu penyakit berdasarkan faktor risiko

tertentu. Misalnya probabilitas kejadian jantung pada umur tertentu.

Nilai Z merupakan nilai indeks variabel independen. Nilai Z bervariasi antara -∞

sampai +∞.

Bila nilai Z mendekati – ∞ maka f(– ∞) = 1 . = 0

1 + e-(– ∞)

f(z) = 1 .

1 + e-z


179

Bila nilai Z mendekati + ∞ maka f(+ ∞) = 1 . = 1

1 + e-(+ ∞)

Fungsi Logistik dapat digambarkan sbb:

Terlihat bahwa fungsi f(Z) nilai berkisar 0 dan 1 berapapun nilai Z. kisaran pada

regresi logistik ini berari cocok/sesuai digunakan untuk model hubungan yang

variabel dependennya dikotom. Grafik f(Z) membentuk garis yang berbentuk

huruf S, ini berarti sesuai dengan contoh plot hubungan antara PJK dengan umur

pada kasus yang telah kita bahas di atas. Bentuk S ini mencerminkan tentang

pengaruh nilai Z pada risiko individu yang minimal pada nilai Z rendah kemudian

seiring dengan meningkatnya nilai Z risiko juga semakin meningkat, dan pada

ketinggian tertentu garisnya akan mendatar mendekati nilai 1.

Berdasarkan uaraian tersebut maka bila ingin mengestimasi suatu

probabilitas kejadian pada dependen yang dikotom maka model regresi logistik

adalah pilihan yang tepat.

3. Model Logistik

Model logistik dikembangkan dari funsi logistik dengan nilai Z merupakan

penjumlahan linear konstanta (α) ditambah dengan β1X1, ditambah β2X2 dan

seterusnya sampai βiXi. Variabel X adalah variabel Independen.

1

-∞ 0 +∞


180

Z = α + β1X1 (Regresi logistik sederhana)

Z = α + β1X1 + β2X2 + … + βiXi (Regresi logistik berganda)

Bila nilai Z dimasukkan pada fungsi Z, maka rumus fungsi Z adalah

f(z) = 1 .

1 + e-(α + β1X1 + β2X2 + … + βiXi)

4. Contoh Kasus

Contoh studi follow up selama 9 tahun. Dalam studi ini dipelajari

mengenai hubungan antara kejadian penyakit jantung koroner (dengan nama

vaiabel PJK) dengan tinggi rendahnya kadar katekolamin dalam darah (nama

variabel KAT).

Pemberian kode nilai variabel adalah sbb:

Untuk variabel PJK 1 = timbul penyakit jantung koroner

0 = tidak ada penyakit jantung koroner

Untuk variabel KAT 1 = kadar katekolamin darah tinggi

0 = kadar katekolamin darah rendah

Pertanyaan:

a. Berapa peluang mereka yang kadar katekolaminnya tinggi mempunyai risiko

untuk terjadi PJK?

b. Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai risiko

untuk terjadi PJK?

c. Bandingkan risiko terjadi PJK antara mereka yang kadar katekolaminnya

tinggi dengan yang kadar katekolaminnya rendah?

Jawab:

Dengan model regresi logistik maka pada soal tersebut modelnya adalah:

f(z) = 1 . 1 + e-z


181

Nilai f(z) dapat diganti dengan P(X), maka rumusnya:

Bila Z = α + β1KAT, maka modelnya :

Misdalkan didapatkan hasil analisis dengan paket program statistik sbb:

α = -3,911 dan β1 = 0,652, maka:

Dari model tersebut coba kita jawab pertanyaan di atas:

a. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi.

Oleh karena kadar katekolamin tinggi diberi angka 1, maka masukkan nilai

KAT=1 pada model di atas, hasilnya:

P(X) = 1 . = 0,037 atau sekitar 4%

1 + e-(-3,911 + 0,652*1)

jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah

mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up.

b. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah

Oleh karena kadar katekolamin rendah diberi angka 0, maka masukkan nilai

KAT=0 pada model di atas, hasilnya:

P(X) = 1 . = 0,019 atau sekitar 2%

1 + e-(-3,911 + 0,652*0)

jadi mereka/individu yang kadar katekolaminnya rendah dalam darah

mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up.

c. Besar risiko kedua kelompok tersebut

P1(X) = 0,037 = 1,947 = 2,0

P0(X) 0,019

Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh

secara direk. Arti dari angka di atas adalah mereka yang kaadar

P(X) = 1 . 1 + e-z

P(X) = 1 . 1 + e-α + β1KAT

P(X) = 1 . 1 + e-(-3,911 + 0,652KAT)


182

katekolaminnya tinggi mempunyai risiko terjadi PJK dua (2) kali lebih tinggi

dibandingkan mereka yang kadar katekolaminnya rendah.

Model regresi logistik dapat digunakan pada data yang dikumpulkan

melalui rancangan kohort, case control maupun cross sectional.

Pada rancangan kohort prospektif dapat digunakan untuk memperkirakan risiko

individual. Sedangkan pada rancangan case control dan cross sectional tidak

dapat digunakan untuk menghitung risiko individual karena β0 pada rancangan

ini tidak sahih. Nilai β0 dapat dihitung/diestimasi bila sampling fraction populasi

yang disampel diketahui-kondisis ini hanya terjadi pada rancangan kohort (ket:

sampling fraction adalah proporsi terpapar yang menjadi sakit atau tidak sakit).

Namun dengan memperlakukan rancangan case control dan cross sectional

sebagai studi follow up, maka dapat dihitung OR (Odds Ratio), yang merupakan

perhitungan RR yang indirek. Nilai OR yang merupakan yang merupakan

perhitungan eksponensial β dari persamaan garis regresi logistik.

Dengan demikian dapat disimpulkan bahwa Individual Risk (ririko

individu) hanya dapat diperoleh dari rancangan kohor prospektif. Sedangkan

pada rancangan case control, cross sectional tidak dapat melakukan prediskis

risiko individual. Pada rancangan case control dan cross sectional dan cohort

dapat dihitung nilai Odds Ratio (OR), yang merupakan perhitungan RR indirek.

Pada rancangan kohort prospektif regresi logistik dapat digunakan untuk

memprediksi/menaksir probabilitas individu untuk sakit (atau meninggal)

berdasarkan nilai-nilai sejumlah variabel yang diukur padanya. Prediksi dapat

digunakan dengan model:

Odds Ratio (OR) = exp(β) atau dapat ditulis OR = e(β)

P(X) = 1 . 1 + e-(α + β1X1 + β2X2 + … + βiXi


183

B. REGRESI LOGISTIK GANDA

Pada pembahasan di atas sudah diperkenalkan mengenai regresi logistik

sederhana. Seperti juga pada regresi linier, keuntunngan regresi logistik ganda

adalah kemampuannya untuk memasukkan beberapa variabel dalam satu model.

Pada regresi logistik, variabel independennya boleh campuran antara variabel

katagorik dan numerik. Namun sebaiknya variabel independennya berupa

katagorik karena dalam menginterpretasi hasil analisis akan lebih mudah.

Kegunaan analisis regresi logistik ganda mencakup dua hal, yaitu:

a. Model Prediksi

Pemodelan dengan tujuan untuk memperoleh model yang tediri dari

beberapa variabel independen yang dianggap terbaik untuk memprediksi

kejadian variabel dependen. Pada pemodelan ini semua variabel dianggap

penting sehingga estimasi dapat dilakukan estimasi beberapa koefisien

regresi logistik sekaligus.

Bentuk kerangka konsep model regresi :

Prosedur pemodelan:

Agar diperoleh model regresi yang hemat dan mampu menjelaskan

hubungan variabel independen dan independen dalam populasi, diperlukan

prosedur pemilihan variabel sbb:

1). Melakukan analisis bivariat antara masing-masing variabel independen

dengan variabel dependennya. Bila hasil uji bivariat mempunyai nilai p <

0,25, maka variabel tersebut dapat masuk model multivariat. Namun bisa

saja p value > 0,25 tetap diikutkan ke multivariat bila variabel tsb secara

substansi penting.

X1 X2 X3 X4

Y


184

2). Memilih variabel yang dianggap penting yang masuk dalam model,

dengan cara mempertahankan variabel yang mempunyai p value < 0,05

dan mengeluarkan variabel yang p valuenya > 0,05. Pengeluaran variabel

tidak serentak semua yang p valuenya > 0,05, namun dilakukan secara

bertahap dimulai dari variabel yang mempunyai p value terbesar.

3). Identifikasi linearitas variabel numerik dengan tujuan untuk menentukan

apakah variabel numerik dijadikan variabel katagorik atau tetap variabel

numerik. Caranya dengan mengelompokkan variabel numerik ke dalam 4

kelompok berdasarkan nilai kuartilnya. Kemudian lakukan analisis logistik

dan dihitung nilai OR-nya. Bila nilai OR masing-masing kelompok

menunjukkan bentuk garis lurus, maka variabel numerik dapat

dipertahankan. Namun bila hasilnya menunjukkan adanya patahan, maka

dapat dipertimbangkan dirubah dalam bentuk katagorik.

4). Setelah memperoleh model yang memuat variabel-variabel penting, maka

langkah terakhir adalah memeriksa kemungkinan interaksi variabel ke

dalam model. Penentuan variabel interaksi sebiknya melalui pertimbangan

logika substantif. Pengukian interaksi dilihat dari kemaknaan uji statistik.

Bila variabel mempunyai nilai bermakna, maka variabel interaksi penting

dimasukkan dalam model.

b. Model Faktor Risiko

Pemodelan dengan tujuan mengestimasi secara valid hubungan satu variabel

utama dengan variabel dependen dengan mengontrol beberapa variabel

konfonding.

Bentuk kerangka konsep model faktor risiko:

X1 Y

X2 X3 X4


185

Tahapan pemodelan:

1). Lakukan pemodelan lengkap, mencakup variabel utama , semua kandidat

konfonding dan kandidat interaksi (interaksi diabuat antara variabel utama

dengan semua variabel konfonding).

2). Lakukan penilaian interaksi, dengan cara mengeluarkan variabel interaksi

yang nilai p Wald-nya tidak signifikan dikeluarkan dari model secara

berurutan satu per satu dari nilai p Wald yang terbesar.

3). Lakukan penilaian konfonding, dengan cara mengeluarkan variabel

kovariat/ konfonding satu per satu dimuali dari yang memiliki nilai p Wald

terbesar, bila setelah dikeluarkan diperoleh selisih OR faktor/variabel

utama antara sebelum dan sesudahvariabel kovariat (X1) dikeluarkan lebih

besar dari 10%, maka variabel tersebut dinyatakan sebagai konfonding

dan harus tetap berada dalam model.


186

KASUS I :

REGRESI LOGISTIK MODEL PREDIKSI

Untuk latihan, gunakan file data “LBW.SAV”

Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) , RAS

(race), MENDERITA HIPERTENSI (ht), ADA KELAINAN UTERUS (ui) dan PERIKSA

HAMIL (ftv) dengan BBLR (low).

Adapun langkahnya:

A. SELEKSI BIVARIAT Masing-masing variabel independen dilakukan analisis bivariat dengan variabel

dependen. Bila hasil bivariat menghasilkan p value < 0,25, maka variabel

tersebut langsung masuk tahap multivariat. Untuk variabel independen yang

hasil bivariatnya menghasilkan p value > 0,25 namun secara substansi penting,

maka variabel tersebut dapat dimasukkan dalam model multivariat. Seleksi

bivariat menggunakan uji regresi logistik sederhana.

1.Analisis bivariat antara “umur” dengan”bblr”

1. Pilih “Analyze”

2. Pilih “Regression”

3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent

dan kotak Covariates.

4. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai

dependen (dalam hal ini berarti masukkan “low”) dan pada kotak

independen isikan variabel independennya (dalam hal ini berarti masukkan

“age”).

Sehingga tampilannya sbb:


187

5. Klik tombol ‘Options’ , klik ‘CI for Exp(B)’


7. Klik “OK”, dan hasilnya sbb:

Block 1: Method = Enter

Omnibus Tests of Model Coefficients

2.760 1 .0972.760 1 .0972.760 1 .097

StepBlockModel

Step 1Chi-square df Sig.

Variables in the Equation

-.051 .032 2.635 1 .105 .950 .893 1.011

.385 .732 .276 1 .599 1.469

ageConstant

Step1

a

B S.E. Wald df Sig. Exp(B) Lower Upper

95.0% C.I.forEXP(B)

Variable(s) entered on step 1: age.a.


188

Dari hasil output, pada tampilan Block 1 didapatkan hasil omnibus test pada

bagian Bloc dengan p value 0,097 berarti variabel umur p value nya <0,25

sehingga variabel umur dapat dilanjutkan ke analisis multivariat. Dari tampilan

SPSS nilai OR dapat diketahui dari kolom Exp(B) yaitu sebesar 0,950 (95% CI:

0,89-1,01)

2.Analisis bivariat antara “ras” dengan “bblr”





4. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates

variabel ‘age’ dikeluarkan dan gantilah dengan mengisikan variabel ‘race’.

Tampilannya sbb:

5. Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis

katagorik dengan isi lebih dari 2 nilai, tepatnya 3 kelompok(yaitu :ras


189

putih, hitam dan lainnya). Klik tombol Categorical, pindahkan ‘race’ dari

kotak covariates ke kotak categorical covariates, klik pilihan ‘first’ pada

bagian Reference category, lalu klik Change, dan tampilannya:

6. Klik Continue, layar ke menu logistic

7. Klik OK

Categorical Variables Codings

96 .000 .00026 1.000 .00067 .000 1.000

WhiteBlackOther

RaceFrequency (1) (2)

Parameter coding


5.010 2 .0825.010 2 .0825.010 2 .082

StepBlockModel



190


4.922 2 .085.845 .463 3.323 1 .068 2.328 .939 5.772.636 .348 3.345 1 .067 1.889 .955 3.736

-1.155 .239 23.330 1 .000 .315

racerace(1)race(2)Constant

Step 1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: race.a.

Hasil uji didapatkan p value 0,087 berarti p value < 0,25, sehingga variabel ras

dapt lanjut ke multivariat. Dari output dapat diketahui juga nilai OR dummy,

terlihat ada dua nilai OR yaitu OR untuk race(1) 2,328 artinya ras kuliat hitam

akan berisiko bayinya bblr sebesar 2,3 kali lebih tinggi dibandingkan ras kulit

putih. OR untuk race(2) besarnya 1,89 artinya ras kelompok lainnya mempunyai

risiko bayinya bblr sebesar 1,89 kali lebi tinggi dibandingkan ras kulit putih.

3. Analisis bivariat antara “hipertensi” dengan “bblr”





4. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan

“ht”. Klik OK, Tampilannya sbb:


4.022 1 .0454.022 1 .0454.022 1 .045

StepBlockModel



191


1.214 .608 3.979 1 .046 3.365 1.021 11.088-.877 .165 28.249 1 .000 .416

htConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: ht.a.

Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti masuk dalam

multivariat

4. Analisis bivariat antara “kelainan uterus” dengan “bblr”



9. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak

Dependent dan kotak Covariates.

10. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates

isikan “ui”. Klik OK, Tampilannya sbb:


5.076 1 .0245.076 1 .0245.076 1 .024

StepBlockModel



.947 .417 5.162 1 .023 2.578 1.139 5.834-.947 .176 29.072 1 .000 .388

uiConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: ui.a.

Hasil p value 0,024 (p value < 0,25), maka variabel kelainan uterus dapat

lanjut ke multivariat


192

5.Analisis bivariat antara “periksa hamil” dengan “bblr”

1.Pilih “Analyze”

2.Pilih “Regression”

3.Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan

kotak Covariates.

4.Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan

“ftv”. Klik OK, Tampilannya sbb:


.773 1 .379

.773 1 .379

.773 1 .379

StepBlockModel



-.135 .157 .744 1 .389 .874 .643 1.188-.687 .195 12.427 1 .000 .503

ftvConstant

Step1

a

B S.E. Wald df Sig. Exp(B) Lower Upper95.0% C.I.for EXP(B)

Variable(s) entered on step 1: ftv.a.

Hasil uji p value = 0,379 (p value > 0,25) sehingga secara statistik tidak

dapat lanjut ke multivariat, namun karena secara substansi variabel periksa

hamil sangat penting, maka variabel ini dapat dianalisis multivariat.

6.Analisis bivariat antara “merokok” dengan “bblr”


4.867 1 .0274.867 1 .0274.867 1 .027

StepBlockModel



193


.704 .320 4.852 1 .028 2.022 1.081 3.783-1.087 .215 25.627 1 .000 .337

smokeConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: smoke.a.

Hasil analisis bivariat didapatkan p value = 0,027 ( < 0,25) dengan demikian variabel merokok dapat masuk ke multivariat.

7.Analisis bivariat antara “prematur” dengan “bblr”


6.779 1 .0096.779 1 .0096.779 1 .009

StepBlockModel



.802 .317 6.391 1 .011 2.230 1.197 4.151-.964 .175 30.370 1 .000 .381

ptlConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: ptl.a.

Hasil analisis didapatkan p value sebesar 0,009 berarti < 0,25 sehingga variabel riwayat adanya prematur dapat masuk ke multivariat

Hasil seleksi bivariat :

Variabel P value

Umur

Ras

Hipertensi

Kelainan uterus

Periksa hamil

Merokok

Prematur

0,097

0,082

0,045

0,024

0,379

0,027

0,009


194

Hasil seleksi bivariat semua variabel menghasilkan p value < 0,25, hanya periksa

hamil yang p valuenya > 0,25. namun variabel periksa hamil tetap dianalisis

multivariat oleh karena secara substansi periksa hamil merupakan variabel yang

sangat penting berhubungan dengan kejadian bblr.

B. PEMODELAN MULTIVARIAT

Selanjutnya dilakukan analisis multivariat keenam variabel tersebut

dengan kejadian bblr.

1.. Lakukan pemilihan variabel yang berhubungan signifikan dengan variabel

dependen.



3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan

kotak Covariates.

4. Pada kotak Dependent tetap berisi “low” dan pada kotak Covariates isikan

variabel age, race, smoke, ptl, ht, ui, ftv. Ingat untuk Race dilakukan dummy.

5. Klik Option, pilih ‘CI for exp(B)’



195

7. Kilik ‘OK’

Logistic Regression


-.041 .036 1.249 1 .264 .960 .894 1.0316.783 2 .034

1.009 .502 4.034 1 .045 2.743 1.025 7.3451.003 .426 5.560 1 .018 2.727 1.185 6.280

.964 .391 6.090 1 .014 2.622 1.219 5.639

.630 .340 3.429 1 .064 1.877 .964 3.6541.361 .631 4.648 1 .031 3.902 1.132 13.451

.802 .458 3.066 1 .080 2.229 .909 5.468

.009 .161 .003 1 .954 1.009 .736 1.384-1.183 .919 1.659 1 .198 .306

ageracerace(1)race(2)smokeptlhtuiftvConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui, ftv.a.

Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu age, ptl, ui

dan ftv, yang terbesar adalah ftv, sehingga pemodelan selanjutnya variabel ftv

dikeluarkan dari model.

Dengan langkah yang sama akhirnya diperoleh hasil sbb.


196

Logistic Regression


-.040 .036 1.275 1 .259 .960 .896 1.0306.781 2 .034

1.009 .503 4.035 1 .045 2.744 1.025 7.3471.002 .425 5.562 1 .018 2.723 1.184 6.262

.963 .390 6.086 1 .014 2.620 1.219 5.632

.629 .340 3.423 1 .064 1.875 .963 3.6511.358 .629 4.663 1 .031 3.889 1.134 13.341

.800 .457 3.063 1 .080 2.226 .908 5.454-1.184 .919 1.661 1 .197 .306

ageracerace(1)race(2)smokeptlhtuiConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.a.

Setelah ftv dikeluarkan kita lihat perubahan nilai OR untuk variabel age, race,

smoke, ptl, ht, dan ui.

Variabel OR ftv ada OR ftv tak ada perubahan OR

Age

Race(1)

Race(2)

Smoke

Ptl

Ht

ui

ftv

0.960

2.743

2.727

2.622

1.877

3.902

2.229

1.009

0.960

2.744

2.723

2.620

1.875

3.889

2.226

0 %

0 %

0 %

0 %

0,1 %

0.3 %

0,1 %

Dengan hasil perbandingan OR terlihat tidak ada yang > 10 % dengan demikian

dikeluarkan dalam model. Selanjutnya variabel yang terbesar p valuenya adalah

umur, dengan demikian dikelurkan dar model dan hasilnya

Hasilnyanya :


197


7.968 2 .0191.088 .501 4.723 1 .030 2.968 1.113 7.9161.059 .418 6.422 1 .011 2.883 1.271 6.538

.991 .387 6.569 1 .010 2.694 1.263 5.747

.576 .334 2.975 1 .085 1.779 .925 3.4221.364 .633 4.640 1 .031 3.912 1.131 13.537

.855 .451 3.585 1 .058 2.350 .970 5.692-2.146 .386 30.917 1 .000 .117

racerace(1)race(2)smokeptlhtuiConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: race, smoke, ptl, ht, ui.a.

Setelah variabel umur dikeluarkan, kita cek lagi perubahan OR untuk variabel

yang masih aktif di model.

Variabel OR age ada OR age tak ada perubahan OR

Age

Race(1)

Race(2)

Smoke

Ptl

Ht

ui

ftv

0.960

2.743

2.727

2.622

1.877

3.902

2.229

1.009

-

2.968

2.883

2.694

1.779

3.912

2.350

8,2 %

5,7 %

2,7 %

5,2 %

0.3 %

5,4 %

Dari analisis perbandingan OR, ternyata perubahannya < 10 %, dengan

demikian variabel umur dikeluarkan dari model

Langkah selanjutnya mengeluarkan variabel yang p valuenya > 0,05, variabel ptl

dikeluarkan model, hasilnya


198


8.245 2 .0161.064 .499 4.545 1 .033 2.897 1.090 7.7041.083 .413 6.877 1 .009 2.955 1.315 6.6401.094 .380 8.299 1 .004 2.986 1.419 6.2861.359 .630 4.660 1 .031 3.894 1.133 13.3791.006 .438 5.262 1 .022 2.734 1.158 6.458

-2.092 .380 30.307 1 .000 .123

racerace(1)race(2)smokehtuiConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: race, smoke, ht, ui.a.

Setelah ptl dikeluarkan, kita lihat perubahan OR nya:

Variabel OR ptl ada OR ptl tak ada perubahan OR

Age

Race(1)

Race(2)

Smoke

Ptl

Ht

ui

ftv

0.960

2.743

2.727

2.622

1.877

3.902

2.229

1.009

-

2.897

2.955

2.986

-

3.894

2.734

-

5,6 %

8,3 %

13,8 %

-

0.2 %

22,6 %

Ternyata setelah ptl dikeluarkan, OR variabel merokok dan kelainan uterus berubah > 10 %, dengan demikian variabel ptl dimasukkan kembali dalam model. Kemudian variabel ui dikeluarkan dalam model karena p valuenya > 0,05, dan hasilnya sbb:


199


8.286 2 .0161.062 .500 4.513 1 .034 2.894 1.086 7.7121.085 .411 6.949 1 .008 2.958 1.321 6.626

.996 .382 6.794 1 .009 2.707 1.280 5.7261.221 .629 3.764 1 .052 3.390 .988 11.640

.696 .325 4.596 1 .032 2.007 1.062 3.793-2.025 .372 29.586 1 .000 .132

racerace(1)race(2)smokehtptlConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: race, smoke, ht, ptl.a.

Kita lihat kembali perubahan nilai OR setelah variabel ui dikeluarkan :

Variabel OR ui ada OR ui tak ada perubahan OR

Age

Race(1)

Race(2)

Smoke

Ptl

Ht

ui

ftv

0.960

2.743

2.727

2.622

1.877

3.902

2.229

1.009

-

2.894

2.958

2.707

2.007

3.390

-

-

5,5 %

8,4 %

3,2 %

6,9 %

13.1 %

-

-

Setelah dilakukan perbandingan OR, ternyata variabel ht berubah > 10 %, dengan demikian variabel ui masuk kembali dalam model. Akhirnya model yang dihasilkan adalah sbb:


200


7.968 2 .0191.088 .501 4.723 1 .030 2.968 1.113 7.9161.059 .418 6.422 1 .011 2.883 1.271 6.538

.991 .387 6.569 1 .010 2.694 1.263 5.747

.576 .334 2.975 1 .085 1.779 .925 3.4221.364 .633 4.640 1 .031 3.912 1.131 13.537

.855 .451 3.585 1 .058 2.350 .970 5.692-2.146 .386 30.917 1 .000 .117


Step1

a


95.0% C.I.forEXP(B)


C. UJI INTERAKSI

Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi,

kalau memang tidak ada tidak perlu dilakukan uji interaksi. Dalam kasus

sekarang, misalkan kita duga merokok berinteraksi dengan hipertensi.

Langkahnya:

1. klik analysis, klik regression, klik binary ogistik

2. Kotak dependen isikan low

3. Kotak Kovariat isikan Race, smoke, ptl, ht dan ui

4. Klik tombol Next

5. isikan : smoke*ht ke kotak kovariat

6. klik OK

lihat hasilnya pada bagian Block 2

Block 2: Method = Enter Omnibus Tests of Model Coefficients

Chi-

square df Sig. Step 1 Step .000 1 .994 Block .000 1 .994 Model 26.560 7 .000


201


7.900 2 .0191.088 .502 4.692 1 .030 2.969 1.109 7.9461.059 .419 6.387 1 .011 2.883 1.268 6.555

.990 .397 6.211 1 .013 2.692 1.236 5.865

.576 .336 2.937 1 .087 1.779 .921 3.4381.360 .831 2.680 1 .102 3.896 .765 19.852

.854 .451 3.584 1 .058 2.350 .970 5.693

.010 1.283 .000 1 .994 1.010 .082 12.491-2.146 .386 30.875 1 .000 .117

racerace(1)race(2)smokeptlhtuiht by smokeConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: ht * smoke .a.

Pada output bagian Block 2:Methode=Enter, terlihat hasil uji omnibusnya

memperlihatkan p value = 0,994 (lihat bagian step) berarti lebih besar dari 0,05,

berarti : tidak ada interaksi antara merokok dengan hipertensi.

Dengan demikian pemodelan telah selesai, model yang valid adalah model tanpa

ada interaksi:

MODEL TERAKHIR Variables in the Equation

7.968 2 .0191.088 .501 4.723 1 .030 2.968 1.113 7.9161.059 .418 6.422 1 .011 2.883 1.271 6.538

.991 .387 6.569 1 .010 2.694 1.263 5.747

.576 .334 2.975 1 .085 1.779 .925 3.4221.364 .633 4.640 1 .031 3.912 1.131 13.537

.855 .451 3.585 1 .058 2.350 .970 5.692-2.146 .386 30.917 1 .000 .117


Step1

a


95.0% C.I.forEXP(B)



202

Interpretasi:

Model regresi logistik hanya dapat digunakan untuk penelitian yang bersifat

Kohort. Sedangkan unutk penelitian yang bersifat cross sectional atau case

control, interpretasi yang dapat dilakukan hanya menjelaskan nilai OR (Exp B)

pada masing-masing variabel. Oleh karena analisisnya multivariat/ganda maka

nilai OR-nya sudah terkontrol (adjusted) oleh variabel lain yang ada pada model.

Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan

kejadian BBLR adalah variabel ras, merokok dan hipertensi. Sedangkan variabel

riwayat prematur dan kelainan uterus sebagai variabel konfounding. Hasil analisis

didapatkan Odds Ratio (OR) dari variabel hipertensi adalah 3,9, artinya Ibu yang

menderita hipertensi akan melahirkan bayi BBLR sebesar 4 kali lebih tinggi

dibandingkan ibu yang tidak menderita hipertensi setelah dikontrol variabel race,

merokok, prematur dan uterus. Secara sama dapat diinterpretasikan untuk

variabel yang lain.

Untuk melihat variabel mana yang paling besar pengaruhnya terhadap

variabel dependen, dilihat dari exp (B) untuk variabel yang signifikan, semakin

besar nilai exp (B) berarti semakin besar pengaruhnya terhadap variabel

dependen yang dianalisis. Dalam data ini berarti hipertensi yang paling besar

pengaruhnya terhadap kejadian bayi BBLR.


203

KASUS KEDUA :

REGRESI LOGISTIK MODEL FAKTOR RISIKO

Tujuan analisis :

Untuk mengetahui hubungan pekerjaan dengan menyusui eksklusive

Variabel independen utama : Pkerjaan

Variabel dependen : Eksklusive

Variabel konfounding : umur, berat badan ibu dan sikap

A. Langkah pertama: menyusun model mencakup semua variabel dan variabel

interaksi

Cara



3. Klik “Binary Logistic”, muncul menu dialog yang berisi kotak Dependent dan

Covariat. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai

dependen (dalam contoh ini berarti eksklu) dan pada kotak Covariat isikan

variabel independen utama beserta variabel konfounding dan interaksinya

(dalam hal ini berarti: kerja, umur1, bbibu, sikap, kerja*umur1,kerja*bbibu,

kerja*sikap)

4. Klik ‘OK’, dan hasilnya sbb:

Logistic Regression


-20.275 28420.722 .000 1 .999 .000 .000 .1.681 1.197 1.972 1 .160 5.372 .514 56.109-.052 .114 .208 1 .648 .949 .760 1.186

20.279 28420.722 .000 1 .999 6E+008 .000 ..148 .159 .869 1 .351 1.160 .849 1.583

-1.505 1.432 1.105 1 .293 .222

kerjaumur1sikapkerja by umur1kerja by sikapConstant

Step 1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: kerja, umur1, sikap, kerja * umur1 , kerja * sikap .a.


204

Dari output model penuh/lengkap ini kita lakukan uji interaksi, variabel dikatakan berinteraksi bila p valuenya < 0,05. Seleksinya dengan mengeluarkan secara bertahapVariabel interaksi yang tidak signifikan (p>0,05), pengeluaran dilakukan secara bertahap dari variabel interaksi yang p value-nya terbesar. Dari hasil di atas variabel interaksi ”Pekerjaan by umur” mempunyai nilai p terbesar (p=0,999) sehingga variabel tersebut dikeluarkan dari model. Dan model menjadi:

Logistic Regression


-.445 1.718 .067 1 .795 .641 .022 18.5572.217 1.146 3.741 1 .053 9.177 .971 86.749-.060 .114 .274 1 .601 .942 .753 1.178

.175 .156 1.264 1 .261 1.191 .878 1.616

-1.881 1.483 1.610 1 .205 .152

kerjaumur1sikapkerja bysikapConstant

Step 1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: kerja, umur1, sikap, kerja * sikap .a.

Dari output diatas, variabel interaksi ‘kerja by sikap’ harus dikeluarkan dari model

karana p valuenya > 0,05. Setelah dikeluarkan hasilnya:


1.376 .666 4.273 1 .039 3.959 1.074 14.5922.260 1.157 3.812 1 .051 9.582 .991 92.609

.035 .076 .212 1 .645 1.036 .893 1.202

-2.876 1.239 5.384 1 .020 .056

kerjaumur1sikapConstant

Step1

a


95.0% C.I.forEXP(B)

Variable(s) entered on step 1: kerja, umur1, sikap.a.

Dengan demikian hasil uji interaksi sudah selesai, kesimpulannya tidak ada variabel

interasksi, langkah selanjutnya uji konfounding


205

UJI KONFOUNDING Uji konfounding dengan cara melihat perbedaan nilai OR untuk variabel utama dengan

dikeluarkannya variabel kandidat konfounding, bila perubahannya > 10 %, maka

varaibel tsb dianggap sebagai variabel konfounding.

Tahap pertama : akan dikeluarkan variabel Sikap, setelah dikeluarkan dari model

hasiilnya sbb:’


1.413 .660 4.585 1 .032 4.110 1.127 14.9852.378 1.135 4.389 1 .036 10.783 1.165 99.754

-2.624 1.113 5.555 1 .018 .073

kerjaumur1Constant

Step 1

a


Variable(s) entered on step 1: kerja, umur1.a.

Setelah variabel sikap dikeluarkan terlihat perubahan OR variabel utama kerja sebesar : (4,111 – 3,959)/4,111 =3,6 % . Dengan demikian variabel sikap bukan konfounding, dan harus dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel umur, setelah dikeluarkan hasilnya:


1.698 .618 7.545 1 .006 5.464 1.627 18.357

-.754 .429 3.091 1 .079 .471

kerjaConstant

Step1

a


Variable(s) entered on step 1: kerja.a.

Setelah variabel umur dikeluarkan terlihat perubahan OR variabel utama: kerja sebesar : (5,464-4,111)/4,111 =32,9 % . Dengan demikian variabel umur merupakan variabel konfounding. Untuk itu variabel umur harus tetap ikut dalam model sebagai konfounding hubungan kerja dengan menyusui eksklusive.

Model terakhir :


206


1.413 .660 4.585 1 .032 4.110 1.127 14.9852.378 1.135 4.389 1 .036 10.783 1.165 99.754

-2.624 1.113 5.555 1 .018 .073

kerjaumur1Constant

Step 1

a


Variable(s) entered on step 1: kerja, umur1.a.

Interpretasi:

Setelah dilakukan analisis confounding, ternyata, umur merupakan confounding

hubungan pekerjaan dengan menyusui eksklusif, maka modelnya adalah sbb:

Dari model di atas dapat dijelaskan bahwa ibu yang tidak bekerja mempunyai

peluang menyusui eksklusif 4 kali dibandingkan ibu yang tidak bekerja setelah

dikontrol variabel ”umur”.


207

Lampiran data LBW. SAV.

Id Low age lwt race smoke ptl ht ui ftv bwt

1 1 28 120 3 1 1 0 1 0 709

2 1 29 130 1 0 0 0 1 2 1021

3 1 34 187 2 1 0 1 0 0 1135

4 1 25 105 3 0 1 1 0 0 1330

5 1 25 85 3 0 0 0 1 0 1474

6 1 27 150 3 0 0 0 0 0 1588

7 1 23 97 3 0 0 0 1 1 1588

8 1 24 128 2 0 1 0 0 1 1701

9 1 24 132 3 0 0 1 0 0 1729

10 1 21 165 1 1 0 1 0 1 1790

11 1 32 105 1 1 0 0 0 0 1818

12 1 19 91 1 1 2 0 1 0 1885

13 1 25 115 3 0 0 0 0 0 1893

14 1 16 130 3 0 0 0 0 1 1899

15 1 25 92 1 1 0 0 0 0 1928

16 1 20 150 1 1 0 0 0 2 1928

17 1 21 200 2 0 0 0 1 2 1928

18 1 24 155 1 1 1 0 0 0 1936

19 1 21 103 3 0 0 0 0 0 1970

20 1 20 125 3 0 0 0 1 0 2055

21 1 25 89 3 0 2 0 0 1 2055

22 1 19 102 1 0 0 0 0 2 2082

23 1 19 112 1 1 0 0 1 0 2084

24 1 26 117 1 1 1 0 0 0 2084

25 1 24 138 1 0 0 0 0 0 2100

26 1 17 130 3 1 1 0 1 0 2125

27 1 20 120 2 1 0 0 0 3 2126

28 1 22 130 1 1 1 0 1 1 2187

29 1 27 130 2 0 0 0 1 0 2187

30 1 20 80 3 1 0 0 1 0 2211


208

31 1 17 110 1 1 0 0 0 0 2225

32 1 25 105 3 0 1 0 0 1 2240

33 1 20 109 3 0 0 0 0 0 2240

34 1 18 148 3 0 0 0 0 0 2282

35 1 18 110 2 1 1 0 0 0 2296

36 1 20 121 1 1 1 0 1 0 2296

37 1 21 100 3 0 1 0 0 4 2301

38 1 26 96 3 0 0 0 0 0 2325

39 1 31 102 1 1 1 0 0 1 2353

40 1 15 110 1 0 0 0 0 0 2353

41 1 23 187 2 1 0 0 0 1 2367

42 1 20 122 2 1 0 0 0 0 2381

43 1 24 105 2 1 0 0 0 0 2381

44 1 15 115 3 0 0 0 1 0 2381

45 1 23 120 3 0 0 0 0 0 2395

46 1 30 142 1 1 1 0 0 0 2410

47 1 22 130 1 1 0 0 0 1 2410

48 1 17 120 1 1 0 0 0 3 2414

49 1 23 110 1 1 1 0 0 0 2424

50 1 17 120 2 0 0 0 0 2 2438

51 1 26 154 3 0 1 1 0 1 2442

52 1 20 105 3 0 0 0 0 3 2450

53 1 26 190 1 1 0 0 0 0 2466

54 1 14 101 3 1 1 0 0 0 2466

55 1 28 95 1 1 0 0 0 2 2466

56 1 14 100 3 0 0 0 0 2 2495

57 1 23 94 3 1 0 0 0 0 2495

58 1 17 142 2 0 0 1 0 0 2495

59 1 21 130 1 1 0 1 0 3 2495

60 0 19 182 2 0 0 0 1 0 2523

61 0 33 155 3 0 0 0 0 3 2551

62 0 20 105 1 1 0 0 0 1 2557

63 0 21 108 1 1 0 0 1 2 2594

64 0 18 107 1 1 0 0 1 0 2600


209

65 0 21 124 3 0 0 0 0 0 2622

66 0 22 118 1 0 0 0 0 1 2637

67 0 17 103 3 0 0 0 0 1 2637

68 0 29 123 1 1 0 0 0 1 2663

69 0 26 113 1 1 0 0 0 0 2665

70 0 19 95 3 0 0 0 0 0 2722

71 0 19 150 3 0 0 0 0 1 2733

72 0 22 95 3 0 0 1 0 0 2750

73 0 30 107 3 0 1 0 1 2 2750

74 0 18 100 1 1 0 0 0 0 2769

75 0 18 100 1 1 0 0 0 0 2769

76 0 15 98 2 0 0 0 0 0 2778

77 0 25 118 1 1 0 0 0 3 2782

78 0 20 120 3 0 0 0 1 0 2807

79 0 28 120 1 1 0 0 0 1 2821

80 0 32 121 3 0 0 0 0 2 2835

81 0 31 100 1 0 0 0 1 3 2835

82 0 36 202 1 0 0 0 0 1 2836

83 0 28 120 3 0 0 0 0 0 2863

84 0 25 120 3 0 0 0 1 2 2877

85 0 28 167 1 0 0 0 0 0 2877

86 0 17 122 1 1 0 0 0 0 2906

87 0 29 150 1 0 0 0 0 2 2920

88 0 26 168 2 1 0 0 0 0 2920

89 0 17 113 2 0 0 0 0 1 2920

90 0 17 113 2 0 0 0 0 1 2920

91 0 24 90 1 1 1 0 0 1 2948

92 0 35 121 2 1 1 0 0 1 2948

93 0 25 155 1 0 0 0 0 1 2977

94 0 25 125 2 0 0 0 0 0 2977

95 0 29 140 1 1 0 0 0 2 2977

96 0 19 138 1 1 0 0 0 2 2977

97 0 27 124 1 1 0 0 0 0 2992

98 0 31 215 1 1 0 0 0 2 3005


210

99 0 33 109 1 1 0 0 0 1 3033

100 0 21 185 2 1 0 0 0 2 3042

101 0 19 189 1 0 0 0 0 2 3062

102 0 23 130 2 0 0 0 0 1 3062

103 0 21 160 1 0 0 0 0 0 3062

104 0 18 90 1 1 0 0 1 0 3076

105 0 18 90 1 1 0 0 1 0 3076

106 0 32 132 1 0 0 0 0 4 3080

107 0 19 132 3 0 0 0 0 0 3090

108 0 24 115 1 0 0 0 0 2 3090

109 0 22 85 3 1 0 0 0 0 3090

110 0 22 120 1 0 0 1 0 1 3100

111 0 23 128 3 0 0 0 0 0 3104

112 0 22 130 1 1 0 0 0 0 3132

113 0 30 95 1 1 0 0 0 2 3147

114 0 19 115 3 0 0 0 0 0 3175

115 0 16 110 3 0 0 0 0 0 3175

116 0 21 110 3 1 0 0 1 0 3203

117 0 30 153 3 0 0 0 0 0 3203

118 0 20 103 3 0 0 0 0 0 3203

119 0 17 119 3 0 0 0 0 0 3225

120 0 17 119 3 0 0 0 0 0 3225

121 0 23 119 3 0 0 0 0 2 3232

122 0 24 110 3 0 0 0 0 0 3232

123 0 28 140 1 0 0 0 0 0 3234

124 0 26 133 3 1 2 0 0 0 3260

125 0 20 169 3 0 1 0 1 1 3274

126 0 24 115 3 0 0 0 0 2 3274

127 0 28 250 3 1 0 0 0 6 3303

128 0 20 141 1 0 2 0 1 1 3317

129 0 22 158 2 0 1 0 0 2 3317

130 0 22 112 1 1 2 0 0 0 3317

131 0 31 150 3 1 0 0 0 2 3321

132 0 23 115 3 1 0 0 0 1 3331


211

133 0 16 112 2 0 0 0 0 0 3374

134 0 16 135 1 1 0 0 0 0 3374

135 0 18 229 2 0 0 0 0 0 3402

136 0 25 140 1 0 0 0 0 1 3416

137 0 32 134 1 1 1 0 0 4 3430

138 0 20 121 2 1 0 0 0 0 3444

139 0 23 190 1 0 0 0 0 0 3459

140 0 22 131 1 0 0 0 0 1 3460

141 0 32 170 1 0 0 0 0 0 3473

142 0 30 110 3 0 0 0 0 0 3475

143 0 20 127 3 0 0 0 0 0 3487

144 0 23 123 3 0 0 0 0 0 3544

145 0 17 120 3 1 0 0 0 0 3572

146 0 19 105 3 0 0 0 0 0 3572

147 0 23 130 1 0 0 0 0 0 3586

148 0 36 175 1 0 0 0 0 0 3600

149 0 22 125 1 0 0 0 0 1 3614

150 0 24 133 1 0 0 0 0 0 3614

151 0 21 134 3 0 0 0 0 2 3629

152 0 19 235 1 1 0 1 0 0 3629

153 0 25 95 1 1 3 0 1 0 3637

154 0 16 135 1 1 0 0 0 0 3643

155 0 29 135 1 0 0 0 0 1 3651

156 0 29 154 1 0 0 0 0 1 3651

157 0 19 147 1 1 0 0 0 0 3651

158 0 19 147 1 1 0 0 0 0 3651

159 0 30 137 1 0 0 0 0 1 3699

160 0 24 110 1 0 0 0 0 1 3728

161 0 19 184 1 1 0 1 0 0 3756

162 0 24 110 3 0 1 0 0 0 3770

163 0 23 110 1 0 0 0 0 1 3770

164 0 20 120 3 0 0 0 0 0 3770

165 0 25 241 2 0 0 1 0 0 3790

166 0 30 112 1 0 0 0 0 1 3799


212

167 0 22 169 1 0 0 0 0 0 3827

168 0 18 120 1 1 0 0 0 2 3856

169 0 16 170 2 0 0 0 0 4 3860

170 0 32 186 1 0 0 0 0 2 3860

171 0 18 120 3 0 0 0 0 1 3884

172 0 29 130 1 1 0 0 0 2 3884

173 0 33 117 1 0 0 0 1 1 3912

174 0 20 170 1 1 0 0 0 0 3940

175 0 28 134 3 0 0 0 0 1 3941

176 0 14 135 1 0 0 0 0 0 3941

177 0 28 130 3 0 0 0 0 0 3969

178 0 25 120 1 0 0 0 0 2 3983

179 0 16 95 3 0 0 0 0 1 3997

180 0 20 158 1 0 0 0 0 1 3997

181 0 26 160 3 0 0 0 0 0 4054

182 0 21 115 1 0 0 0 0 1 4054

183 0 22 129 1 0 0 0 0 0 4111

184 0 25 130 1 0 0 0 0 2 4153

185 0 31 120 1 0 0 0 0 2 4167

186 0 35 170 1 0 1 0 0 1 4174

187 0 19 120 1 1 0 0 0 0 4238

188 0 24 116 1 0 0 0 0 1 4593

189 0 45 123 1 0 0 0 0 1 4990

Analisis Data Spss (Sutanto Fkm Ui 2006)

Documents

Transcript of Analisis Data Spss (Sutanto Fkm Ui 2006)