Analisis Data Spss

43
KOMPUTER III ANALISIS DATA DAN PENELITIAN KESEHATAN PROGRAM SPSS 1. One Sample T-test Uji perbedaan rata-rata satu sampel atau sering di kenal sebagai uji one sample t test berguna untuk mengetahui perbedaan nilai rata-rata populasi yang digunakan sebagai pembading dengan rata-rata sebuah sampel. Dari hasil uji ini akan diketahui apakah rata- rata populasi yang digunakan sebagai pembading berbeda nyata secara signifikan dengan rata-rata sebuah sampel, jika ada perbedaan rata-rata manakah yang lebih tinggi. CONTOH KASUS : Dari 10 orang mahasiswa yang aktif di UKM yang dipilih secara acak, Indeks Prestasinya (IP) adalah 2,75; 3,00; 2,96; 3,80; 3,10; 2,60; 3,04; 2,05; 2,70 dan 2,10. Apakah data tersebut dapat dijadikan sebagai bukti bahwa IP mahasiswa yang aktif di UKM tidak kurang 1

description

Analisis Peneltian kesehatan

Transcript of Analisis Data Spss

KOMPUTER IIIANALISIS DATA DAN PENELITIAN KESEHATAN PROGRAM SPSS

1. One Sample T-testUji perbedaan rata-rata satu sampel atau sering di kenal sebagai uji one sample t test berguna untuk mengetahui perbedaan nilai rata-rata populasi yang digunakan sebagai pembading dengan rata-rata sebuah sampel. Dari hasil uji ini akan diketahui apakah rata-rata populasi yang digunakan sebagai pembading berbeda nyata secara signifikan dengan rata-rata sebuah sampel, jika ada perbedaan rata-rata manakah yang lebih tinggi.

CONTOH KASUS :Dari 10 orang mahasiswa yang aktif di UKM yang dipilih secara acak, Indeks Prestasinya (IP) adalah 2,75; 3,00; 2,96; 3,80; 3,10; 2,60; 3,04; 2,05; 2,70 dan 2,10. Apakah data tersebut dapat dijadikan sebagai bukti bahwa IP mahasiswa yang aktif di UKM tidak kurang dari 3,00? Gunakan taraf signifikansi 5% dan diasumsikan data menyebar secara normal. LANGKAH-LANGKAH :1. Klik variable view pada SPSS Data editor2. Pada kolom Name, ketik IP pada barisan pertama3. Pada kolom Decimals, ketik 4. Pada kolom Label, ketik Indeks Prestasi pada baris pertama5. Abaikan kolom yang lainnya6. Klik Data View, pada SPSS Data editor7. Klik datanya sepeti seperti data di atas8. Selanjutnya, klik menu Analyze Compare Means One Sampel T Test. Maka akan muncul kotak dialog sebagai berikut:

10. Masukkan variabel Indeks Prestasi pada kontak Test Variabel (s)11. Ketik angka 3,00 pada kotak Test Value12. Klik Options, ketik nilai selang kepercayaan yang digunakan pada Confidence Interval dalam hal ini biarkan defaultnya 95%13. Klik OK untuk mengakhiri perintah

TAMPILAN OUTPUT SPSS :

INTERPRETASI OUTPUT :Dari Output tersebut di atas kita bisa menguji hipotesis :

PENGAMBILAN KEPUTUSAN :A. Berdasarkan perbandingan antara thitung dengan ttabel1. Jika statistik hitung < statistik tabel, maka ho diterima2. Jika statistik hitung > statistik tabel, maka ho ditolakDiketahui thitung output adalah -1,184Sedangkan statistic tabel dapat dicari pada tabel t :3. Tingkat signifikansi () adalah 5% atau tingkat kepercayaan 95%4. df atau derajad kebebasan adalah n-1 atau 10-1=95. Uji dilakukan dua sisi atau dua ekor karena akan diketahui apakah rata-rata IP mahasiswa yang aktif di UKM lebih kecil dari 3,00 atau tidak. Perlunya dua sisi dapat diketahui pula dari output SPSS yang menyatakan 2 tailed6. Dari tabel t didapat angka = 2,2622Keputusan :Oleh karena t hitung terletak pada daerah H0 diterima, berarti bahwa rata-rata IP mahasiswa yang aktif di UKM tidak kurang dari 3,00B. Berdasarkan perbandingan nilai probabilitas (sig.)1. Jika probabilitas > 0,05, maka Ho diterima2. Jika probabilitas < 0,05, maka Ho ditolakKeputusan :Terlihat bahwa thitung adalah -1,184 dengan probabilitas 0,267. Oleh karena probabilitas 0,267 > 0,05, maka Ho diterima, berarti bahwa rata-rata IP mahasiswa yang aktif di UKM tidak kurang dari 3,00 KOMPUTER IIIANALISIS DATA DAN PENELITIAN KESEHATAN PROGRAM SPSS

2. Hubungan antara variabel numerik dengan kategorik Uji Statistik Beda 2 Mean (t-test)

Uji T berpasangan merupakan salah satu uji hipotesis komparatif untuk dua data berkelompok. selain itu, uji ini juga merupakan uji untuk statistik parametrik dengan syarat merupakan variabel numerik dan berdistribusi normal. apabila syarat tersebut tidak terpenuhi maka menggunakan statistik non parametrik. untuk kasus uji T berpasangan menggunakan uji wilcoxon apabila datanya tidak berdistribusi normal yang mana menggunakan statistik non-parametrik.

Contoh Kasus Uji T berpasangan 2 kelompokSuatu penelitian dilakukan untuk menguji perbedaan stress kerja karyawan yang bekerja di ruangan yang bersifat tradisional lalu pendah pada ruangan yang modern.Apakah terdapat perbedaan stres karyaman ketika berada di ruangan tradisional dengan ketika berada diruangan modern?langkah-langkah melakukan uji T berpasangan:1. Memeriksa syarat uji t untuk kelompok berpasangan:2. Sebaran data harus normal3. varians data tidak perlu diuji karena kelompok data berpasangan4. Jika memenuhi syarat (sebaran data normal), maka dipilih uji t berpasangan.5. Jika tidak memenuhi syarat (sebaran data tidak normal) dilakukan terlebih dahulu transformasi data.6. Jika variabel baru hasil transformasi mempunyai sebaran data yang normal, maka dipakai uji t berpasangan7. Jika variabel baru hasil transformasi mempunyai sebaran data yang tidak normal, maka dipilih uji wilcoxon.

Setelah kita memperoleh data dan memasukkan ke dalam SPSS, maka hasilnya sebagai berikut:

Pada tahap pertama memeriksa syarat uji t berpasangan. syaratnya yaitu data harus bersebaran normal sehingga perlu dilakukan uji normalitas. Sesuai dengan langkah-langkah uji normalitas diperoleh hasil .

Dengan melihat hasil test of normality Shapiro-Wilk, diperoleh hasil nilai P-value untuk kedua kelompok data adalah lebih dari 0,05. Dengan demikian, dapat diambil kesimpulan bahwa distribusi kedua kelompok data adalah normal.

Karena syarat data berdistribusi normal terpenuhi, maka uji hipotesis yang dipergunakan adalah uji t berpasangan.

Langkah-langkah uji t berpasangann1. Analyze, kemudian compare means....Paired sample t2. Masukkan kedua variabel kedalam kotak paired variables. seperti gambar berikut.

3. kemudian continue...ok...Hasilnya sebagai berikut

Intrepretasi hasil uji t berpasangan:1. Bagian paired samples statistics menggambarkan deskripsi masing-masing variabel.2. Bagian paired samples correlation menunjukkan korelasi antara dua variabel. Tampak korelasi kuat(0,921) dan signifikan (sig=0,000). Salah satu syarat uji t berpasangan adalah kedua kelompok data saling berkorelasi tinggi (r>0,9)3. Tabel ke tiga Paired Sample Test menggambarkan hasil uji t berpasangan. Lihat kolom sig.(2 tailed). diperoleh nilai significancy 0,492(p>0,05), artinya "tidak ada perbedaan rerata stres karyawan yang berada pada ruang tradisional dengan berapa pada ruang modern".

KOMPUTER IIIANALISIS DATA DAN PENELITIAN KESEHATAN PROGRAM SPSS

3. Independen T Test dengan SPSSIndependen T Test adalah uji komparatif atau uji beda untuk mengetahui adakah perbedaan mean atau rerata yang bermakna antara 2 kelompok bebas yang berskala data interval/rasio. Dua kelompok bebas yang dimaksud di sini adalah dua kelompok yang tidak berpasangan, artinya sumber data berasal dari subjek yang berbeda. Misal Kelompok Kelas A dan Kelompok kelas B, di mana responden dalam kelas A dan kelas B adalah 2 kelompok yang subjeknya berbeda. Bandingkan dengan nilai pretest dan posttest pada kelas A, di mana nilai pretest dan posttest berasal dari subjek yang sama atau disebut dengan data berpasangan. Apabila menemui kasus yang data berpasangan, maka uji beda yang tepat adalah uji paired t test.

Asumsi yang harus dipenuhi pada independen t test antara lain:1. Skala data interval/rasio.2. Kelompok data saling bebas atau tidak berpasangan.3. Data per kelompok berdistribusi normal.4. Data per kelompok tidak terdapat outlier.5. Varians antar kelompok sama atau homogen.

Untuk asumsi poin no. 1 dan 2, tidak perlu mengujinya dengan SPSS. Sedangkan untuk asumsi no. 3 dan no. 5 harus mengujinya dengan SPSS. data sebagai berikut: Data di bawah ini menunjukkan bahwa ada 2 kelompok yaitu 1 dan 2, di mana tiap kelompok terdapat 10 responden/observasi.

Dataset Independen T Test

Langkah pertama adalah menguji asumsi normalitas, outlier dan homogenitas. Yaitu pada menu SPSS, klik Analyze, Descriptive Statistics, Explore. Maka akan muncul jendela seperti berikut:

Explore Independen T Test

Klik tombol Plots, setelah muncul jendela, centang Factor levels together, Stem-and-leaf, Histogram, Normality plots with tests dan Power estimation. Kemudian Klik Continue.

Plot Independen T Test

Kemudian klik OK pada jendela utama. Lihat output!

Normalitas Independen T Test

Tabel di atas menunjukkan hasil uji Shapiro Wilk dan Lilliefors. Nilai p value (Sig) lilliefors 0,200 pada 2 kelompok di mana > 0,05 maka berdasarkan uji lilliefors, data tiap kelompok berdistribusi normal. P value uji Shapiro wilk pada kelompok 1 sebesar 0,884 > 0,05 dan pada kelompok 2 sebesar 0,778 > 0,05. Karena semua > 0,05 maka kedua kelompok sama-sama berdistribusi normal berdasarkan uji Shapiro wilk.

Homogenitas Independen T Test

Tabel di atas menunjukkan hasil uji homogenitas dengan metode Levene's Test. Nilai Levene ditunjukkan pada baris Nilai based on Mean, yaitu 0,001 dengan p value (sig) sebesar 0,979 di mana > 0,05 yang berarti terdapat kesamaan varians antar kelompok atau yang berarti homogen.

Stem-leaf Independen T Test

Diagram di atas adalah diagram stem-leaf yang berfungsi untuk mendeteksi adanya outlier. Ada outlier apabila terdapat nilai Extrem di atas dan di bawah stem-leaf. Pada data anda tidak terdapat nilai exkstrem, maka tidak terdapat outlier. Deteksi outlier juga bisa dinilai dengan Box-plot seperti di bawah ini:

Boxplot Independen T Test

Box-Plot di atas tidak menunjukkan terdapat plot-plot di atas dan/atau di bawah boxplot yang berarti tidak terdapat outlier.Oleh karena semua asumsi terpenuhi, maka dapat dilanjutkan ke uji selanjutnya yaitu uji Independen T Test.Pada menu SPSS, klik Analyze, Compare Means, Independen Samples T Test. Maka akan muncul jendela sebagai berikut: Kemudian masukkan variabel terikat anda yaitu Nilai ke kotak Test Variable(s) dan masukkan variabel bebas anda yaitu Kelompok ke kotak Grouping Variables.

Independen T Test

Klik tombol Define Groups kemudian masukkan kode 1 dan 2.

Grouping Independen T Test

Klik Continue. Dan pada jendela utama klik OK kemudian lihat Output!

Mean Independen T Test

Tabel di atas menunjukkan Mean atau rerata tiap kelompok, yaitu pada kelompok 1 nilainya 56 di mana lebih rendah dari kelompok 2 yaitu 73,1. Apakah perbedaan ini bermakna? lihat di bawah ini:

Output Independen T Test

Nilai hasil uji levene test untuk homogenitas sama dengan bahasan di atas, yaitu homogen. Karena homogen, maka gunakan baris pertama yaitu nilai t hitung -2,577 pada DF 18. DF pada uji t adalah N-2, yaitu pada kasus ini 20-2=18. Nilai t hitung ini anda bandingkan dengan t tabel pada DF 18 dan probabilitas 0,05.Untuk menjawab hipotesis ada 2 cara:Dengan membandingkan antara t hitung dengan t tabel:Apabila nilai t hitung positif: Ada perbedaan bermakna apabila t hitung > t tabel.Apabila nilai t hitung negatif: ada perbedaan bermakna apabila t hitung < t tabel.Cara kedua adalah dengan melihat nilai Sig (2 tailed) atau p value. Pada kasus di atas nilai p value sebesar 0,019 di mana < 0,05. Karena < 0,05 maka perbedaan bermakna secara statistik atau signifikan pada probabilitas 0,05.Besarnya perbedaan rerata atau mean kedua kelompok ditunjukkan pada kolom Mean Difference, yaitu -17,1. Karena bernilai negatif, maka berarti kelompok pertama memiliki Mean lebih rendah dari pada kelompok kedua.

KOMPUTER IIIANALISIS DATA DAN PENELITIAN KESEHATAN PROGRAM SPSS

4. Anova (analysis of varians)Anova (analysis of varians) digunakan untuk menguji perbedaan mean (rata-rata) data lebih dari dua kelompok, kata kunci untuk anova ini adalah "lebih dari dua kelompok".Misalnya untuk mengetahui apakah ada perbedaan rata-rata lama hari dirawat antara pasien kelas VIP, I, II, dan kelas III. Anova mempunyai dua jenis yaitu analisis varian satu faktor (one way anova) dan analsis varian dua faktor (two ways anova). Pada kesempatan ini hanya akan dibahas analisis varian satu faktor atau One Way Anova.

Beberapa asumsi yang harus dipenuhi pada uji Anova adalah:1. Sampel berasal dari kelompok yang independen2. Data masing-masing kelompok berdistribusi normal3. Varian antar kelompok harus homogenAsumsi pertama harus dipenuhi pada saat pengambilan sampel yang dilakukan secara random terhadap beberapa (> 2) kelompok yang independent, yang mana nilai pada satu kelompok tidak tergantung pada nilai di kelompok lain. Sedangkan pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika data telah dimasukkan ke komputer, jika asumsi ini tidak terpenuhi dapat dilakukan transformasi terhadap data (cara transformasi data dapat dilihat disini). Apabila proses transformasi tidak juga dapat memenuhi asumsi ini maka uji Anova tidak valid untuk dilakukan, sehingga harus menggunakan uji non-parametrik misalnya Kruskal Wallis.Uji Anova pada prinsipnya adalah melakukan analisis variabilitas data menjadi dua sumber variasi yaitu variasi didalam kelompok (within) dan variasi antar kelompok (between). Bila variasi within dan between sama (nilai perbandingan kedua varian mendekati angka satu), maka berarti tidak ada perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai mean yang dibandingkan tidak ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari variasi didalam kelompok, artinya intervensi tersebut memberikan efek yang berbeda, dengan kata lain nilai mean yang dibandingkan menunjukkan adanya perbedaan.Analisis Perbandingan Ganda ( Multiple Comparison [MCA]):1. Jika dalam ANOVA H0 tidak ditolak, maka pekerjaan selesai dengan kesimpulan semua rata-rata relatif sama.2. Jika dalam ANOVA H0 ditolak, maka masih ada pekerjaan untuk melihat ratarata populasi mana yang benar-benar berbeda dengan menggunakan MCA.3. Syarat MCA = jumlah level faktornya (perlakuan) lebih dari dua.

Macam-macam metode yang dapat digunakan untuk analisis ini adalah sbb:1. Tukey: untuk ukuran sampel yang sama pada setiap perlakuan (equal )2. Bonferroni : untuk ukuran sampel yang sama dan beda pada setiap perlakuan (equal & unequal)3. Scheffe: untuk ukuran sampel yang sama dan beda pada setiap perlakuan (equal & unequal)4. Fisher (LSD = Least Square Differences): yang paling umum digunakanSkema untuk penggunaan analisi Perbandingan Ganda dapat dilihat dibawah ini:

Setelah asumsi normalitas telah terpenuhi, maka selanjutnya adalah melakukan pengujian variansi dan uji lanjutan yaitu uji perbandingan ganda, langkah-langkahnya adalah:1. Klik menu Analyze - Compare Means - One-Way ANOVA, kemudian masukkan variabel Berat ke kotak Dependent List dan variabel RAS ke kotak Factor, selanjutnya klik Option kemudian pilih/centang Homogeneity of variance test dan Continue, selanjutnya adalah klik Post Hoc dan centang metode Tukey kemudian klik Continue dan OK.

2. Sehingga muncul output berikut:

Sebelum melanjutkan untuk menguji anova, terdapat satu syarat lagi yang harus dipenuhi yaitu asumsi bahwa variansi populasi sama, untuk pengujian terhadap asumsi populasi sama tersebut dapat dilihat pada tabel Test of Homogeneity of Variances. hipotesisH0 : Semua variansi populasi samaH1 : Semua variansi populasi tidak sama / berbeda Tingkat Signifikansi = 5% Daerah KritisJika Sig. : tolak H0 Statistik UjiSig. = 0.577 > = 0.05 Keputusan UjiKarena nilai Sig. > maka keputusannya adalah gagal tolak H0 KesimpulanJadi dengan tingkat signifikansi 5% didapatkan kesimpulan bahwa ketiga berat badan bayi yang dilahirkan berdasarkan warna kulit sang ibu memiliki variansi populasi yang sama (gagal tolak H0). Karena ketiga asumsi yaitu sampel berasal dari kelompok yang independen, data masing-masing kelompok berdistribusi normal, dan varian antar kelompok homogen telah terpenuhi sebagai syarat dilakukannya uji anova untuk mengetahui hubungan anatara berat badan bayi yang dilahirkan berdasarkan warna kulit sang ibu telah terpenuhi, maka pengujian dengan anova valid untuk dilakukan. Hipotesis H0 : Rata-rata berat badan bayi yang dilahirkan berdasarkan warna kulit sang ibu adalah sama.H1 : Paling tidak terdapat dua rataan yang berbeda antara berat badan bayi yang dilahirkan berdasarkan warna kulit sang ibu. Tingkat Signifikansi = 5% Daerah KritisJika Fhitung Ftabel : tolak H0Jika Sig. : tolak H0 Statistik UjiFhitung = 3.494 > Ftabel = 3.119Sig. = 0.035 < = 0.05 Keputusan UjiKarena nilai Sig. < atau Fhitung > Ftabel maka keputusannya adalah tolak H0 KesimpulanJadi dengan tingkat signifikansi 5% didapatkan kesimpulan bahwa terdapat atau paling tidak terdapat dua rataan yang berbeda antara berat badan bayi yang dilahirkan berdasarkan warna kulit sang ibu (tolak H0) atau bisa dikatakan bahwa terdapat hubungan antara berat badan bayi yang dilahirkan dengan warna kulit sang ibu (putih, hitam, lainnya).Perhatikan Output Multiple ComparisonsUji perbandingan ganda merupakan analisis lanjutan dari analisis variansi satu arah apabila H0 ditolak. Karena hasil uji Anova menunjukan adanya perbedaan yang bermakna / H0 ditolak, maka uji selanjutnya adalah melihat kelompok mana saja yang berbeda, disini menggunakan metode Tukey karena ukuran sampel yang sama pada setiap perlakuan. HipotesisH0 : _i = _jH1 : _i _jUntuk i j, dan i,j : 1= Putih, 2=Hitam, 3=Lainnya/ Tingkat Signifikansi = 5% Daerah KritisJika Sig. : tolak H0 Keputusan_1 dan _2 (0.0280.05): gagal tolak H0_2 dan _3 (0.258>0.05): gagal tolak H0 KesimpulanJadi dengan tingkat signifikansi 5% didapatkan kesimpulan bahwa terdapat perbedaan rata-rata berat badan bayi antara ibu dengan warna kulit hitam dan putih, dan tidak terdapat perbedaan rata-rata berat badan bayi anatara ibu dengan warna kulit putih dan lainnya, serta tidak terdapat perbedaan rata-rata berat badan bayi antara ibu dengan warna kulit hitam dan lainnya. Sehingga _1 > _3 > _

KOMPUTER IIIANALISIS DATA DAN PENELITIAN KESEHATAN PROGRAM SPSS

5. Uji Person Chi-SquareAda beberapa jenis tes chi-kuadrat tetapi yang paling umum adalah Pearson chi-kuadrat yang memungkinkan kita untuk menguji independensi dari dua variabel kategori. Semua tes chi-kuadrat didasarkan atas distribusi chi-kuadrat, mirip dengan cara t-tes, sama halnya dengan distribusi atau uji-F yang didasarkan pada distribusi F.Misalkan kita memiliki hipotesis bahwa tingkat kelulusan / kegagalan dalam sebuah kelas matematika tertentu berbeda untuk laki-laki dan perempuan. Katakanlah kita mengambil sampel acak dari 100 siswa dan mengukur kedua jenis kelamin (laki-laki/wanita) dan status kelulusan (lulus/gagal) sebagai variabel kategorik.

Tabel 1. Data tingkat kelulusan kelas matematika tersebut akan menjadi sebagai berikutSiswaLaki-lakiPerempuanTOTAL

Lulus303666

Tidak lulus142034

TOTAL4456100

Hipotesis Null:Distribusi frekuensi beberapa kejadian yang diamati pada sebuah sampel konsisten dengan distribusi teoritis tertentu1. Ketika menjalankan SPSS, maka input data yang dimasukkan adalah sebagai berikut:

Perhatikan struktur data awal (tabel 1), kolom 1 dan baris satu menunjukkan perhitungan siswa laki-laki yang lulus, yaitu 30. Kemudian kolom 1 dan baris 2 menunjukkan siswa perempuan yang lulus, yaitu 36. Kolom 2 dan baris 1 menunjukkan siswa laki-laki yang tidak lulus, yaitu 14. Sedangkan kolom terakhir 2 dan baris 2 menunjukkan siswa perempuan yang tidak lulus, yaitu 34.2. Setelah data diinput maka anda adalah harus menegaskan kepada SPSS bahwa variabel PERHITUNGAN mewakili frekuensi untuk masing-masing unik pengkodean BARIS dan KOLOM, dengan menerapkan perintah DATA WEIGHT CASE seperti gambar berikut ini:

3. Setelah muncul kotak dialog, pilih variabel PERHITUNGAN, pilih weight case by kemudian pindahkan variabel PERHITUNGAN dengan mengklik tanda panah seperti berikut:

4. Setelah itu pilih Analyze Descriptive Statistic Crosstabs, kemudian akan muncul kotak dialog seperti berikut ini:5. Masukkan variabel baris ke ROW, dan variabel kolom ke COLUMN, sedangkan untuk variabel perhitungan tidak perlu lagi, karena sudah dilakukan pada tahap 3 diatas.

6. Kemudian pilih button Statistic (di bawah) checklist chi-square seperti berikut ini:

7. Setelah itu akan didapatkan output seperti berikut:

Setelah output didapat, maka nilai Pearson Chi-Square dibandingkan dengan Chi-square tabel. Pembandingan ini menggunakan derajat bebas dengan rumus (baris 1)(kolom 1) atau (2 1)(2 1) = 1. Maka nilai kritiknya pada tabel sebaran chi-square adalah 3,841 artinyahitung > Xtabel atau 3,841 > 3,111. Dengan demikian Hipotesis Null tidak bisa diterima.Dari hasil diatas dapat dilihat bahwa nilai Exact Sig.(2-sides) adalah 0,084 maka lebih besar dari titik kritis 0,05 (0,084 > 0,05). Dengan demikian dapat disimpulkan bahwa tidak ada hubungan antara jenis kelamin siswa kelas matematika dengan tingkat kelulusan

32