Professional Documents
Culture Documents
[PELATIHAN ANALISA
DATA DENGAN SPSS]
Universitas Muhammadiyah, Jakarta . 7 10 September 2009.
ANALISIS DATA
Deskriptif, Bivariat, dan Multivariat dengan menggunakan SPSS
I. MANAJEMEN DATA
I.1. Entry Data
Pada bagian ini, dipelajari cara memasukan data nominal, ordinal,
dan numerik serta variabel dengan tipe String.
Kasus:
Berikut adalah data survei yang akan dimasukan datanya:
No.
1
2
3
4
5
6
7
8
9
10
Nama
Wati
Nana
Tina
Sari
Yani
Mery
Yeyen
Nila
Rahma
Lala
Umur
23
24
34
35
19
24
22
19
26
25
Pendidikan
SD
PT
PT
SMU
SMU
SMP
SD
SD
SMU
PT
Kerja
kerja
kerja
tidak kerja
kerja
tidak kerja
tidak kerja
tidak kerja
kerja
kerja
tidak kerja
Hb
10.1
9.8
11.1
10.2
10.4
11.2
12.5
11.4
13.2
9.2
Dua langkah yang harus dilakukan, yaitu mengisi bagian Variabel View
dan Data View:
1. Mengisi Variabel View
Buka program SPSS
Aktifkan variabel view (ada di kiri bawah).
Pada tampilan variabel view akan terlihat kata Name, Type, Width,
Decimals, Labels, Values, Column Width, Alignment, Measures.
Name
Type
Witdh
Decimals
Labels
Values
Column Width
Alignment
:
:
Measures
:
:
:
:
:
:
:
:
:
Witdh
Decimals
Labels
Values
: Terserah
: Pilih 0
: Isi
dengan
tingkat
pendidikan
terakhir
responden/ibu
: Klik kotak kecil berwarna abu-abu pada sisi
kanan kolom values, akan terlihat tampilan sbb.
Klik OK
Column Width terserah Anda
Alignment terserah Anda
Measures pilihlah Ordinal
:
:
:
:
:
:
Klik OK
Column Width terserah Anda
Alignment terserah Anda
Measures pilihlah Nominal
:
:
:
:
Labels
Values
:
:
Column Width
Alignment
Measures
:
:
:
Klik
disini
Klik
disini
8. Menyisipkan Baris
Pindahkan penunjuk sel pada kolom yang akan disisipi.
Klik kanan... insert variabel...
# perintah: RECODE
Pengelompokan biasanya digunakan untuk mengubah variabel
numerik menjadi variabel kategorik. Pengelompokan dapat dilakukan
pada variabel yang sama atau ke variabel baru yang berbeda.
Dianjurkan: jika melakukan pengelopmpokan sebaiknya membuat
variabel baru sehingga variabel awal masih ada.
Kasus:
Anda ingin mengkategorikan umur responden menjadi tiga kelompok,
yaitu responden yang berumur < 20 tahun, 20-30 tahun, dan > 30
tahun (dalam hal ini Anda mengubah variabel numerik menjadi
variabel ordinal).
Langkah:
1. Buka file ASI.sav
2. Aktifkan data view
3. Lakukan langkah-langkah sbb:
Transform Recorde Into Diffrent Variabels
Masukkan variabel umur ke dalam Input Variabel
Ketik umur_1 ke dalam Output Variabel
# perintah: RECODE
Bila Anda menggunakan data sekunder seringkali menggunakan kode
yang berbeda dengan kode yang seharusnya dapat dianalisis. Misal:
kode untuk tingkat pendidikan, seharusnya kode tertinggi adalah kode
untuk faktor yang berisiko. Namun, pada data mentah-nya kode
terketik 1=SD, 2=SMP, 3=SMU, 4=PT. Jika hal tersebut terjadi maka
Anda perlu mengubah kode. Langkahnya:
1. Buat dahulu distribusi frekuensinya: Analyze Descriptive
Statistics Frequencies
2. Lakukan langkah-langkah sbb:
Transform Recorde Into Diffrent Variabels
Masukkan variabel didik ke dalam Input Variabel
Ketik edu ke dalam Output Variabel
Ketik tingkat pendidikan terakhir ibu ubah kode ke dalam label
Klik kotak change
Anda akan mengubah kode:
1 menjadi 4
2 menjadi 3
3 menjadi 2
4 menjadi 1
Oleh karena itu, isilah Old Value dan New Value sebagai berikut:
Old Value: 1, New Value: 4, klik Add.
Old Value: 2, New Value: 3, klik Add.
#perintah: COMPUTE
#perintah: IF
Kasus: Anda ingin membuat variabel baru ibu yang berisiko tinggi dan
rendah saat melahirkan bayi dengan berat lahir rendah. Kriterianya
adalah sbb. Risiko tinggi bila responden berumur > 30 thn dan berat
badan < 50 kg. Risiko Rendah selain kondisi tersebut.
Langkah-langkah:
1. Buat variabel baru (risk) yang semuanya berisi 0 (risiko rendah)
Transform Compute
Target Variable: ketik risk
Numeric Expression: ketik 0
2. Membuat kondisi risiko tinggi (kode 1) untuk umur > 30 thn dan bb
< 50 kg
Transform Compute
Target Variable: tetap berisi risk
Numeric Expression: hapus angka nol (0) dan gantilah dengan
angka 1.
Klik continue
Proses selesai, klik OK, klik OK
Klik Continue
Pada bagian Output (bawah) klik filtered (artinya data yang tidak
dianalisis hanya ditandai dengan pencoretan nomor kasus).
Proses selesai, klik OK.
II.
Know your
data!
Pada deskripsi variabel kategori dibuat tabel distribusi frekuensi untuk
mengetahui karakteristik data variabel kategori.
Kasus:
Ingin diketahui distribusi frekuensi variabel didik dan kerja dalam bentuk
tabel dan grafik.
Langkah:
Analyze Descriptive Statistics Frequencies
Masukkan variabel didik dan kerja ke dalam kotak Variable(s)
Aktifkan Display Frequency Tables
Klik Continue. Proses selesai, klik Ok.
II.2. Deskripsi Variabel Numerik (file ASI)
Pada deskripsi variabel dengan skala numerik dibuat deskripsi statistik
(central tendency) untuk mengetahui karakteristik data yang dimiliki.
Kasus:
Klik Continue, lalu aktifkan Chart pilih Histogram pada Chart Type
dan aktifkan kotak With Normal Curve
Valid
Missing
50
0
18.390
18.500
18.5
.7723
.596
.013
.337
-.437
.662
17.0
20.0
Keterangan
Skewness / SE
skew
Kurtosis / SE
kurtosis
Box plot
Normal Q Q plots
Analitis
Kolmogorov
Smirnov
Shapiro Wilk
Untuk sampel
besar > 50
Untuk sampel kecil
50
Langkah-langkah:
Buka file: uji_norm
Analyze Descriptive Statistics Explore
Masukkan variabel umur ke dalam Dependent List
Mean
95% Confidence
Interval for Mean
Lower Bound
Upper Bound
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Statistic
39.8428
39.1834
Std. Error
.33507
40.5022
39.6436
39.0000
33.569
5.79389
25.00
60.00
35.00
8.00
.569
.429
.141
.281
Tests of Normality
a
umur responden
Kolmogorov-Smirnov
Statistic
df
Sig.
.108
299
.000
Shapiro-Wilk
Statistic
df
.975
299
Sig.
.000
tran_age
Kolmogorov-Smirnov
Statistic
df
Sig.
.079
299
.000
Statistic
.991
Shapiro-Wilk
df
299
Sig.
.064
III.
KELOMPOK
Tabel 3.1. Panduan Sederhana Uji Hipotesis
Skala
Numerik
Jenis Hipotesis
Komparatif
Tidak Berpasangan
Berpasangan
(kelompok berbeda)
(kelompok sama)
cth:urban dgn rural
Ada pre n post test
(before after)
2 klp
>2 klp
2 klp
>2klp
Uji t tidak
One way
Uji t
Repeated
berpasanga
Anova
berpasanga
ANOVA
n
n
Korelatif
Pearson
Kategori
Mann
Whitney
Kategori
KruskalWallis
Chi Square
Fisher
Kolmogorov-Smirnov
(tabel B x K)
Wilcoxon
Friedman
McNemar, Cochran,
Marginal Homogeneity,
Wilcoxon, Friedman
Spearman
Sommers
Gamma
Koefisien
kontingensi
, Lambda
2
3
4
5
Jika tidak memenuhi syarat digunakan uji alternatifnya, yaitu uji Mann
Whitney.
Langkah-langkah:
1. Memeriksa syarat uji t tidak berpasangan:
a. Data harus berdistribusi normal (wajib)
b. Varians data boleh sama, boleh juga tidak sama (>0,05 varaians
data sama, <0,05 beda)
2. Jika memenuhi syarat (data berdistribusi normal), maka dipilih uji t
tidak berpasangan.
3. Jika tidak memenuhi syarat (data tidak berdistribusi normal), lakukan
terlebih dahulu transformasi data.
Uji Normalitas Data
Buka file: ASI
Lakukan uji normalitas untuk kadar Hb1 kelompok ibu yang
menyusui eksklusif dan kadar Hb1 kelompok ibu yang tidak
menyusui eksklusif.
Prosesnya sama dengan uji normalitas data. Perbedaannya
memasukkan variabel eksklu ke dalam Factor List.
Output:
Descriptives
kadar hb pengukuran
pertama
Mean
95% Confidence
Interval for Mean
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Mean
95% Confidence
Interval for Mean
EKSKLUSIVE
Lower Bound
Upper Bound
Statistic
10.421
9.800
Std. Error
.3003
11.042
10.440
10.200
2.164
1.4712
7.2
13.2
6.0
1.1
.128
.744
10.277
9.743
Lower Bound
Upper Bound
.472
.918
.2594
10.811
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
10.274
10.200
1.750
1.3228
7.4
13.2
5.8
1.6
-.042
.334
.456
.887
Tests of Normality
a
kadar hb pengukuran
pertama
Kolmogorov-Smirnov
Statistic
df
Sig.
.205
24
.010
.139
26
.200*
Statistic
.915
.965
Shapiro-Wilk
df
24
26
Interpretasi:
a. Bagian pertama adalah statistik deskriptif untuk variabel kadar Hb
berdasarkan masing-masing kelompok.
b. Untuk menguji apakah data berdistribusi normal atau tidak
digunakan uji Kolmogorov Smirnov. Jika P > 0,05 berarti data
berdistribusi normal. Uji hipotesis yang digunakan yaitu Uji T tidak
berpasangan.
Sig.
.045
.504
Output:
F
kadar hb pengukuran
pertama
Equal variances
assumed
Equal variances
not assumed
Sig.
.072
.790
df
.364
.363
Mean
Difference
Std. Error
Difference
.717
.1439
.3951
-.6505
.9384
.719
.1439
.3968
-.6547
.9425
Sig. (2-tailed)
48
46.376
95% Confidence
Interval of the
Difference
Lower
Upper
Interpretasi:
a. Menguji varians
Pada kotak Levenes Test (nama uji varians), nilai sig = 0,790.
Karena nilai p > 0,05 maka varians kedua kelompok sama. Ingat
syarat uji t tidak berpasangan: varians data boleh sama, boleh juga
tidak sama.
b. Karena varians data sama, maka untuk melihat hasil uji t memakai
hasil pada baris pertama (equal variances assumed).
c. Angka significancy pada baris pertama 0,717 dengan perbedaan
rerata (mean diffrence) sebesar 0,1439.
d. Nilai 95% adalah antara -0,6505 s.d. 0,9384.
e. Karena nilai P > 0,05 maka diambil kesimpulan tidak terdapat
perbedaan rerata kadar Hb yang bermakna antara kelompok ibu
yang menyusui asi eksklusif dan yang tidak menyusui asi eksklusif.
Interpretasi 95%:
kita percaya 95% bahwa jika pengukuran dilakukan pada populasi,
maka perbedaan kadar Hb antara kelompok ibu yang menyusui
eksklusif dengan ibu yang tidak menyusui eksklusif adalah antara
-0,6505 s.d. 0,9384.
III.2. Uji T Berpasangan
Kasus:
Ingin diketahui pengaruh terapi sulih testoteron terhadap perubahan body
mass index (BMI). Pertanyaan penelitian: apakah terdapat perbedaan
rerata body mass index (BMI) sebelum dan sesudah satu bulan
penyuntikan testoteron?
Pemilihan Uji Hipotesis:
2
3
4
5
Menentukan pasangan/tidak
Berpasangan
berpasangan
Menentukan jumlah kelompok
Dua kelompok
Kesimpulan:
Uji yang digunakan asalah uji t berpasangan jika memenuhi syarat. Jika
tidak memenuhi syarat digunakan uji alternatifnya, yaitu uji Wilcoxon.
Langkah-Langkah:
1. Memeriksa syarat uji t berpasangan.
a. Distribusi data harus normal (wajib)
b. Varians data tidak perlu diuji karena kelompk data
berpasangan.
2. Jika memenuhi syarat (data berdistribusi normal), maka dipilih uji t
berpasangan.
3. Jika tidak memenuhi syarat (data tidak berdistribusi normal),
lakukan terlebih dahulu transformasi data.
Uji Normalitas Data
Buka file: ttest_paired
Lakukan uji normalitas untuk skor BMI sebelum dan setelah satu
bulan penyuntikan.
Descriptives
Body mass index setelah
penyuntikan testosterone
Mean
95% Confidence
Interval for Mean
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Mean
95% Confidence
Interval for Mean
Lower Bound
Upper Bound
Lower Bound
Upper Bound
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Statistic
23.994
23.741
Std. Error
.1257
24.247
23.993
24.000
.790
.8888
22.0
26.0
4.0
1.1
-.067
-.386
18.390
18.171
.337
.662
.1092
18.609
18.383
18.500
.596
.7723
17.0
20.0
3.0
1.0
.013
-.437
.337
.662
Tests of Normality
a
Kolmogorov-Smirnov
Statistic
df
Sig.
Body mass index setelah
penyuntikan testosterone
Bodi mass index
sebelum penyuntikan
testosteron
Statistic
Shapiro-Wilk
df
Sig.
.123
50
.058
.983
50
.695
.123
50
.055
.965
50
.143
Interpretasi:
a. Bagian pertama adalah statistik deskriptif untuk variabel BMI
berdasarkan masing-masing kelompok data.
b. Pada test normalitas karena jumlah sampel kecil 50 dianjurkan
untuk memamaki shapiro wilk.
c. Hasil test of normality shapiro wilk diperoleh hasil nilai kemaknaan
untuk kedua kelompok data adalah > 0,05. Dengan demikian dapat
Output:
Paired Samples Correlations
N
Pair
1
Correlation
50
.148
Sig.
.306
Mean
Pair
1
-5.6040
Std. Deviation
Std. Error
Mean
1.0880
.1539
95% Confidence
Interval of the
Difference
Lower
Upper
-5.9132
-5.2948
-36.423
df
Sig. (2-tailed)
49
Interpretasi:
a. Bagian Paired Samples Statistics menggambaran deskripsi masingmasing variabel.
b. Tabel ke-2 menggambarkan hasil uji t berpasangan. Lihat kolom sig.
(2tailed). Diperoleh nilai signifikansi 0,000 (p< 0,05). Artinya
terdapat perbedaan rerata BMI yang bermakna sebelum dan
sesudah satu bulan penyuntikkan testosteron. Nilai 95% CI adalah
antara -5,91 s.d. -5,29.
Interpretasi 95%:
kita percaya 95% bahwa jika pengukuran dilakukan pada populasi,
selisih BMI sebelum dan sesudah penyuntikan dalah antara 5,91 s.d.
-5,29.
2
3
4
5
.000
Langkah-Langkah:
1. Syarat ANOVA tidak berpasangan:
a. Distribusi data harus normal (wajib)
b. Varians data harus sama (wajib)
2. Jika memenuhi syarat maka dipilih uji ANOVA
3. Jika tidak memenuhi syarat, maka diupayakan untuk melakukan
transformasi data supaya distribusi menjadi normal dan varians
data sama.
4. Jika pentransformasian data tidak berhasil maka dipilih uji
alternatifnya yaitu uji Kruskal Wallis.
5. Jika pada uji ANOVA menghasilkan nilai p < 0,05 maka dilanjutkan
dengan melakukan analisis Post Hoc.
Uji Normalitas Data:
Buka file: anova
Lakukan uji normalitas untuk data kadar gula darah kelompok
ekonomi rendah, sedang, dan tinggi.
Masukkan variabel gula ke dalam kotak Dependent List
Masukkan variabel class ke dalam kotak Factor List
Output:
Descriptives
kadar gula darah
tingkat ekonomi
tinggi
sedang
rendah
Mean
95% Confidence
Interval for Mean
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Mean
95% Confidence
Interval for Mean
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Mean
95% Confidence
Interval for Mean
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Lower Bound
Upper Bound
Lower Bound
Upper Bound
Lower Bound
Upper Bound
Statistic
273.9870
264.9110
Std. Error
4.57410
283.0630
273.2500
270.0000
2092.242
45.74104
180.00
388.80
208.80
67.50
.145
-.348
213.5012
208.2021
.241
.478
2.67061
218.8003
213.4969
210.0000
713.215
26.70609
158.40
280.00
121.60
40.00
.138
-.506
204.8306
199.3654
.241
.478
2.75434
210.2958
204.9433
201.6000
758.641
27.54344
142.56
260.00
117.44
49.32
.007
-.672
.241
.478
Tests of Normality
a
tingkat ekonomi
tinggi
sedang
rendah
Kolmogorov-Smirnov
Statistic
df
Sig.
.088
100
.055
.085
100
.071
.083
100
.083
Shapiro-Wilk
Statistic
df
.984
100
.981
100
.981
100
Sig.
.247
.151
.161
Interpretasi:
a. Bagian pertama adalah statistik deskriptif untuk variabel kadar gula
darah berdasarkan masing-masing kelompok.
b. Pada bagian Test of Normality, terlihat bahwa nilai Significancy
untuk masing-masing kelompok > 0,05, maka ketiga kelompook
data adalah normal.
Uji Varians Data:
Analyze Compare Means One-way ANOVA
Masukkan variabel gula ke dalam Dependent List
Masukkan variabel obat ke dalam Factor List
Output:
Test of Homogeneity of Variances
kadar gula darah
Levene
Statistic
19.480
df1
2
df2
297
Sig.
.000
ANOVA
kadar gula darah
Between Groups
Within Groups
Total
Sum of
Squares
283877.3
352845.8
636723.1
df
2
297
299
Mean Square
141938.649
1188.033
F
119.474
Sig.
.000
Interpretasi:
a. Significancy Test Homogeineity of Variances menunjukkan angka
0,000 (p<0,05). Artinya paling tidak terdapat dua kelompok yang
mempunyai varians data yang berbeda secara bermakna.
b. Karena varians data tidak sama, maka hasil uji ANOVA pada tabel
berikutnya tidak valid. Ingat syarat ANOVA.
c. Lakukan transformasi data agar varians data sama.
Mencari Bentuk Transformasi Data
Analyze Descriptive Statistics Explore
Masukkan variabel gula ke dalam Dependent List
Masukkan variabel class ke dalam Factor List
Pilih Plots pada kotak Display List
Output:
Nilai slope dan nilai power adalah panduan bagi kita untuk menentukan
jenis transformasi. Berikut adalah panduan jenis transformasi berdasarkan
slope dan power.
Tabel 4.2. Panduan Mencari Bentuk Transformasi
Slope
Power
Bentuk Transformasi
-1
2
Square (kuadrat)
0
1
Tidak perlu trenaformasi
Slope
0,5
1
1,5
2
Power
0,5
0
-0,5
-1
Bentuk Transformasi
Square root (akar)
Logaritma
1/sqr root
Reciprocal (1/n)
Karena nilai slope dan power yang qta peroleh adalah 1,429 dan -0,429
maka menurut tabel di atas, bentuk anjuran transformasi yang terbaik
adalah dengan 1/sqr root
Transformasi Data
Transform Compute
Ketik trn_gula pada Target Variabel
Pindahkan sqrt dari kotak Function ke kotak Numeric Expression
dengan mengklik tanda panah.
Tampak ada kolom berkedip
Masukkan variabel gula ke dalam kolom berkedip dengan mengklik
tanda panah sehingga tampil ekspresi sebagai berikut: sqrt(gula).
Lalu ketik 1/ sebelum sqrt(gula) sehingga tertulis: 1/SQRT(gula)
yang berarti 1/square root.
df1
2
df2
297
Sig.
.142
Interpretasi:
Menilai Varians
Pada uji varians, diperoleh nilai p=0,142. Karena nilai p>0,05 maka
dapat diambil kesimpulan bahwa tidak ada perbedaan varians antar
kelompok data yang dibandingkan dengan kata lain varians data
adalah sama.
Uji ANOVA
Setelah dilakukan uji varians terhadap variabel trn_gula, kemudian
dapat dilakukan uji ANOVA.
Analyze Compare Means One way ANOVA
Masukkan variabel trn_gula ke dalam Dependent List (diisi dengan
variabel numerik)
Masukkan variabel class ke dalam Factor List (diisi dengan variabel
kategorik)
Aktifkan kotak Option
Pilih Descriptive
Klik Continue.
Aktifkan kotak Post Hoc
N
tinggi
sedang
rendah
Total
100
100
100
300
Mean
273.9870
213.5012
204.8306
230.7729
Std. Deviation
45.74104
26.70609
27.54344
46.14660
Std. Error
4.57410
2.67061
2.75434
2.66428
Minimum
180.00
158.40
142.56
142.56
ANOVA
trn_gula
Between Groups
Within Groups
Total
Sum of
Squares
.005
.007
.012
df
2
297
299
Mean Square
.002
.000
F
106.526
Sig.
.000
Multiple Comparisons
Dependent Variable: trn_gula
Tukey HSD
Mean
Difference
(I-J)
-.00778*
-.00930*
.00778*
-.00151
.00930*
.00151
Std. Error
.00068
.00068
.00068
.00068
.00068
.00068
Sig.
.000
.000
.000
.070
.000
.070
Maximum
388.80
280.00
260.00
388.80
Interpretasi:
Dari hasil uji ANOVA diperoleh rata-rata kadar gula darah dan
standar deviasi masing-masing kelompok. Rata-rata kadar gula darah
pada mereka dengan tingkat ekonomi tinggi adalah 273,9 dengan standar
deviasi 45,7. Pada mereka yang tingakt ekonomi sedang rata-rata kadar
gula darahnya adalah 213,5 dengan standar deviasi 26,7. Pada mereka
yang tingkat ekonomi rendah rata-rata kadar gula darahnya adalah 204,8
dengan standar deviasi 27,5.
Pada hasil uji ANOVA dapat diketahui pada kolom Fdan Sig.
Terlihat p=0,000 (kalau desimalnya 0 maka penulisan menjadi 0,0001).
Artinya paling tidak terdapat perbedaan kadar gula darah yang bermakna
pada kedua kelompok.
Pada bagian Multiple Comparison berguna untuk menelusuri lebih
lanjut kelompok mana saja yang berbeda secara bermakna. Untuk
mengetahui kelompok mana saja yang berbeda bermakna dapat dilihat
dari kolom Sig. Ternyata kelompok yang berbeda bermakna adalah
kelompok tingkat ekonomi tinggi dengan sedang, kelompok tingkat
ekonomi tinggi dengan rendah.
yang diperlukan untuk naik tangga (dalam detik). Anda ingin melihat
perbandingan fungsi lutut sebelum pelatihan, empat minggu setelah
pelatihan, dan enam minggu setelah pelatihan.
Pemilihan Uji Hipotesis:
2
3
4
5
Langkah-Langkah:
1. Syarat ANOVA tidak berpasangan:
a. Distribusi data harus normal (wajib)
b. Varians data harus sama (wajib)
2. Jika memenuhi syarat maka dipilih uji repeated ANOVA
3. Jika tidak memenuhi syarat, maka diupayakan untuk melakukan
transformasi data supaya distribusi menjadi normal dan varians
data sama.
4. Jika pentransformasian data tidak berhasil maka dipilih uji
alternatifnya yaitu uji Friedman.
5. Jika pada uji repeated ANOVA menghasilkan nilai p < 0,05 maka
dilanjutkan dengan melakukan analisis Post Hoc.
Uji Normalitas Data
Buka file: anova_rpt
Lakukan uji normalitas
Output:
Descriptives
Detik kecepatan naik
turun tangga (awal)
Mean
95% Confidence
Interval for Mean
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Mean
95% Confidence
Interval for Mean
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
Mean
95% Confidence
Interval for Mean
Statistic
37.7023
33.1404
Lower Bound
Upper Bound
Std. Error
2.24478
42.2642
37.6140
38.5000
176.366
13.28027
13.73
64.01
50.28
18.45
-.074
-.765
26.2100
23.4556
Lower Bound
Upper Bound
.398
.778
1.35535
28.9644
25.9833
26.1900
64.294
8.01835
12.85
44.74
31.89
10.08
.188
-.252
20.5123
18.4699
Lower Bound
Upper Bound
.398
.778
1.00499
22.5547
5% Trimmed Mean
Median
Variance
Std. Deviation
Minimum
Maximum
Range
Interquartile Range
Skewness
Kurtosis
20.5226
20.4700
35.350
5.94560
10.07
30.52
20.45
10.75
.029
-1.014
.398
.778
Tests of Normality
a
Kolmogorov-Smirnov
Statistic
df
Sig.
Detik kecepatan naik
turun tangga (awal)
Detik kecepatan naik
turun tangga (minggu 4)
Detik kecepatan naik
turun tangga (minggu 6)
Statistic
Shapiro-Wilk
df
Sig.
.093
35
.200*
.973
35
.544
.108
35
.200*
.971
35
.469
.093
35
.200*
.959
35
.218
Interpretasi:
a. Bagian pertama adalah statistik deskriptif untuk variabel fungsi lutut.
Ingat prinsip bahwa Anda harus mempelajari deskripsi variabel
sebelum melangkah pada proses selanjutnya.
b. Pada bagian Test of Normality (Shapiro-Wilk), terlihat bahwa nilai
Significancy untuk semua variabel adalah >0,05. Kesimpulannya
distribusi data pada ketiga pengukuran tsb adalah normal.
Uji Repeated ANOVA
Analyze General Linear Model Repeated Measure
Masukkan waktu pada kolom Within Subject Factor Name (bisa juga
pada kolom ini dibiarkan default SPSS dengan kata factor 1).
Ketikan angka 3 ke dalam Number of Levels (untuk menunjukkan
bahwa pengukuran dilakukan tiga kali).
Klik kota Add.
Approx.
Chi-Square
22.848
df
2
Sig.
.000
Greenhous
e-Geisser
.667
Huynh-Feldt
.684
Lower-bound
.500
Tests the null hypothesis that the error covariance matrix of the orthonormalized transformed dependent variables is
proportional to an identity matrix.
a. May be used to adjust the degrees of freedom for the averaged tests of significance. Corrected tests are displayed in
the Tests of Within-Subjects Effects table.
b.
Design: Intercept
Within Subjects Design: waktu
Interpretasi:
Untuk melakukan interpretasi terhadap uji repeated ANOVA, yang pertama
kali dilakukan adalah melihat pemenuhan asumsi sphericity.
Uji efek within subject, dilakukan dengan Mauchlys Test of
Sphericity.
Konsep dari uji sphericity ini adalah kesepadanan hubungan
tingkat variabel pada setiap pasangan didalam subyek. Atau
dengan perkataan lain, setiap pasangan dari level variabel within
subject membutuhkan korelasi yang sepadan. Misalnya dalam
suatu studi longitudinal yang melakukan pengukuran tinggi badan
setiap tahun pada anak-anak usia 5 tahun sampai mereka berusia 10
tahun. Jika covarians-nya sama (homogeneity of covarians), maka
korelasi hasil pengukuran (skor) pada variabel dependen antara anak
berusia 5 dan 6 tahun kira-kira sama dengan korelasi skor anak usia 5
dan 7 tahun atau 5 dan 8 tahun atau 6 dan 10 tahun dan seterusnya.
Pada kenyataannya asumsi ini hampir tidak dapat dipenuhi. Apapun
yang diukur dalam jarak waktu yang berdekatan korelasinya akan
lebih kuat dibandingkan dengan yang diukur pada jarak waktu yang
lebih jauh. Misalnya korelasi skor pengukuran antara anak berusia 5
dan 6 tahun akan lebih kuat daripada korelasi skor pengukuran antara
anak berusia 5 dan 10 tahun.
Ketika asumsi ini tidak terpenuhi, beberapa alternatif dapat
digunakan. Salah satunya dengan melihat signifikansi test yang telah
di adjusted untuk pelanggaran asumsi ini. Pada perangkat lunak
program SPSS, nilai yang telah di adjusted ini disebut dengan
epsilon. Terdapat 3 (tiga) nilai epsilon, yaitu : Green-Geisser, HuynFieldt dan Lower Bound.
Pada
Error(waktu)
Oleh
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
karena
asumsi
Sphericity
df
2
1.334
1.368
1.000
68
45.345
46.503
34.000
Mean Square
2683.524
4024.230
3924.037
5367.048
30.442
45.651
44.514
60.883
tidak
F
88.153
88.153
88.153
88.153
terpenuhi
Sig.
.000
.000
.000
.000
maka
digunakan
Pillai's Trace
Wilks' Lambda
Hotelling's Trace
Roy's Largest Root
Value
.756
.244
3.104
3.104
a. Exact statistic
b.
Design: Intercept
Within Subjects Design: waktu
F
Hypothesis df
51.209a
2.000
51.209a
2.000
51.209a
2.000
a
51.209
2.000
Error df
33.000
33.000
33.000
33.000
Sig.
.000
.000
.000
.000
Interpretasi:
- Pengaruh dari Pelatihan terhadap fungsi lutut
-
waktu
Level 2 vs.
Level 3 vs.
Level 2 vs.
Level 3 vs.
Level
Level
Level
Level
1
1
1
1
df
1
1
34
34
Mean Square
4622.542
10342.363
60.653
98.266
F
76.212
105.248
Sig.
.000
.000
Interpretasi:
Perhatikan kolom sig waktu. Sesuai dengan uji contrast yang kita
pilih yaitu metode simple, yang membandingkan setiap waktu dengan
waktu1 (pre-test). Untuk semua perbandingan pengukuran diperoleh p
value 0,05. Artinya perbedaan fungsi lutut sudah mulai terlihat sejak
bulan pertama setelah pelatihan apabila dibandingkan dengan fungsi lutut
sebelum pelatihan.
2
3
4
5
Langkah
Menentukan variabel yang akan
dihubungkan
Jawaban
Variabel yang akan
dihubungkan adalah pekerjaan
ibu (kategori) dengan perilaku
menyusui (kategori)
Komparatif
Kategori kategori
Tidak Berpasangan
Langkah-Langkah:
Analyze Descriptive Statistics Crosstabs
Masukkan variabel pekerjaan ke dalam Rows (variabel bebas)
Masukkan variabel status menyusui ke dalam Column (variabel
terikat)
Aktifkan kotak statistics, lalu pilih chi square dan klik risk
Klik continue
Aktifkan kotak cell, lalu pilih Observed (untuk menampilkan nilai
observed) pada bagian counts.
Pilih Row pada bagian percentages
Klik Continue
Klik OK
Output:
status pekerjaan
ibu
KERJA
tidak kerja
Total
Count
% within status
pekerjaan ibu
Count
% within status
pekerjaan ibu
Count
% within status
pekerjaan ibu
Total
25
68.0%
32.0%
100.0%
18
25
28.0%
72.0%
100.0%
24
26
50
48.0%
52.0%
100.0%
Chi-Square Tests
Pearson Chi-Square
Continuity Correctiona
Likelihood Ratio
Fisher's Exact Test
Linear-by-Linear
Association
N of Valid Cases
Value
8.013b
6.490
8.244
7.853
df
1
1
1
Asymp. Sig.
(2-sided)
.005
.011
.004
Exact Sig.
(2-sided)
Exact Sig.
(1-sided)
.010
.005
.005
50
Risk Estimate
Value
Odds Ratio for status
pekerjaan ibu
(KERJA / tidak kerja)
For cohort status
menyusui asi = tdk
EKSKLUSIVE
For cohort status
menyusui asi =
EKSKLUSIVE
N of Valid Cases
95% Confidence
Interval
Lower
Upper
5.464
1.627
18.357
2.429
1.226
4.811
.444
.239
.827
50
Interpretasi:
Berdasarkan output di atas tertampil tabel silang antara pekerjaan
dengan pola menyusui dengan angka masing-masing selnya. Angka yang
paling atas adalah jumlah kasus masing-masing sel. Angka kedua adalah
persentase menurut baris1 .
Sebanyak 18 (72%) ibu yang tidak bekerja dapat menyusui bayinya
secara eksklusif. Sedangkan diantara ibu yang bekerja, ada 8 (32%) ibu
yang dapat menyusui bayinya secara eksklusif.
Hasil uji chi square dapat dilihat pada kotak chi square test. Nilai
mana yang akan digunakan? (pearson, continuity corresction, likelihood,
atau fisher).
Aturan yang berlaku pada chi square sbb.
a. Bila pada tabel 2x2 dijumpai expected (harapan) < 5, maka yang
digunakan adalah Fisher Exact.
b. Bila pada tabel 2x2 tidak dijumpai expected < 5, maka uji yang
dipakai bisa Contiuity correction atau pearson chi square.
c. Bila tabelnya 2x2 atau lebih, misalnya 3x2, 3x3 dsb, maka digunakan
uji pearson chi square
Untuk mengetahui nilai expected (E) kurang dari 5 dapat dilihat pada
footnote b dibawah kotak chi square.
Tabel 2x2 ini layak untuk diuji dengan chi square karena tidak ada
nilai expected yang kurang dari lima 2. Nilai yang dipakai adalah nilai
Pearson Chi Square. Pada kolom asymp.sig (2-sided) nilai p = 0,005.
Artinya terdapat hubungan antara status pekerjaan dengan perilaku
menyusui eksklusif.
Uji chi square tidak dapat digunakan untuk mengetahui derajat
kekuatan/kekuatan hubungan dua variabel, oleh karena itu digunakan nilai
odss ratio (OR) atau relatif risk (RR). Hasil di atas nilai OR terdapat pada
baris Odds Ratio yaitu 5,464 sbb. Ibu yang tidak bekerja mempunyai
peluang 5,46 kali untuk menyusui eksklusif dibandingkan dengan ibu yang
bekerja. Pada perintah crosstab nilai OR yang keluar bila tabel silang 2x2.
Jika tabel silang selain 2x2 maka OR dapat diperoleh dengan hasil regresi
logistik dengan cara membuat dummy variable.
CATATAN :
Untuk desain cross sectionsl presentasi baris
Untuk desain case control presentasi kolom
Row independen
Coloumn depnden
Persen baris : baca per kolom
Persen kolom : vaca per baris
Karena merupakan hasil penelitian dengan desain cross sectional sehingga persen yang
ditampilkan adalah persen baris, namun bila jenis penelitiannya case control angka persen yang
digunakan adalah persen kolom.
2
Syarat uji chi square: 1). tidak ada nilai observed yang bernilai nol, 2). Sel yang
mempunyai nilai expected kurang dari lima, maksimal 20% dari jumlah sel.