2009

[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

: Kata yang mewakili nama variabel. Biasanya

diisi dengan kata yang mudah diingat yang
berkaitan dengan nama variabelnya. Misalnya:
edu untuk variabel tingkat pendidikan
responden.
: Tipe data yang akan dimasukkan. Pilihan yang
paling umum adalah numeric (karena semua
proses uji dalam SPSS bisa dilakukan dalam
bentuk numeric) dan string (kalau data yang
dimasukkan adalah huruf/kata/kalimat).
: Jumlah digit yang akan dimasukkan.
: Jumlah digit dibelakang titik.
: Penjelasan rinci dari kolom name. Misalnya:
dalam kolom name diketik edu, labels-nya

Values

Column Width
Alignment

:
:

Measures

adalah tingkat pendidikan terakhir yang ibu

tempuh
Kode jika variabel merupakan variabel kategorik
(nominal dan ordinal). Misalnya kode 1 untuk
kategori PT, kode 12 untuk kategori SMU, kode 3
untuk kategori SMP, kode 4 untuk kategori SD.
Lebar kolom.
Pilihan tampilan variabel (rapat kiri, kanan, atau
tengah).
Skala pengukuran variabel (nominal, ordinal,
scale).

Dari kasus, masukkan lima variabel yaitu: nama (string), umur

(numerik), pendidikan (kategori ordinal), kerja (kategori nominal), dan
Hb (numerik).
a. Pengisian variabel view untuk variabel nama
Name
Type
Witdh
Decimals
Labels
Values
Column Width
Alignment
Measures

: Isi dengan mengetik nama

: Isi dengan mengaktifkan pilihan string
: Isi dengan 15 (untuk keseragaman). Pemilihan
lebar kolom tergantung dari beberapa karakter
nama terpanjang.
: Tidak aktif
: Isi dengan nama responden
: Tidak diisi
: 15 (untuk keseragaman)
: Terserah
: Tidak aktif

b. Pengisian variabel view untuk variabel umur

Name
Type
Witdh
Decimals
Labels
Values
Column Width
Alignment
Measures

:
:
:
:
:
:
:
:
:

Isi dengan mengetik age

Isi dengan mengaktifkan pilihan numeric
Terserah
Pilih 0
Isi dengan umur responden
Tidak diisi
Terserah
Terserah
Pilih scale

c. Pengisian variabel view untuk variabel pendidikan

Name
Type

: Isi dengan mengetik edu

: Isi dengan mengaktifkan pilihan numeric

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.

Ketik 1 pada kotak Value

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

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

d. Pengisian variabel view untuk variabel kerja

Name
Type
Witdh
Decimals
Labels
Values

:
:
:
:
:
:

Isi dengan mengetik kerja

Isi dengan mengaktifkan pilihan numeric
Terserah
Pilih 0
Isi dengan pekerjaan responden/ibu
Klik kotak kecil berwarna abu-abu pada sisi
kanan kolom values.

Ketik 0 pada kotak Value

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

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

e. Pengisian variabel view untuk variabel hb

Name
Type
Witdh
Decimals

:
:
:
:

Labels
Values

:
:

Column Width
Alignment
Measures

:
:
:

Isi dengan mengetik hb

Isi dengan mengaktifkan pilihan numeric
Terserah
Isi dengan 1 (artinya satu desimal di belakang
koma)
Isi dengan kadar hb dalam mmHg
Tidak diisi (karena variabel hb tidak mempunyai
kategori)
Terserah
Terserah
Pilih scale

Untuk keseragaman beri kode tertinggi untuk faktor yang berisiko.

Misal: kode 0 untuk yang kerja dan kode 1 untuk yang tidak bekerja.
2. Mengisi Data View
Aktifkan data view, lalu isilah dengan data pada kasus yang diberikan.
Jika sudah selesai simpan file dengan nama: entry_lat (file save as
entry_lat).

I.2. Mengedit Data

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

2. Menghapus Isi Sel Satu Kolom (menghapus variabel)

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

Klik
disini

Klik kanan, clear

3. Menghapus Baris (Menghapus Case/Responden)
Klik baris yang akan dihapus. Misalkan responden nomor 5 akan
dihapus.

Klik
disini

Klik kanan, clear

4. Mengkopi Isi Sel
Pilih sel (sejumlah sel dengan menyorot) yang akan dikopi isinya.
Tekan ctrl + C
Pindahkan penunjuk sel ke sel yang akan dituju
Tekan ctrl + V
5. Mengkopi Isi Satu Column
Klik heading kolom yang akan dikopi isinya
ctrl + C
Klik heading kolom yang akan dituju
ctrl + V
6. Mengcopy Isi Satu Baris
Klik nomor case yang akan dikopi
ctrl + C
Klik nomor case yang akan dituju atau dipindahkan
ctrl + V
7. Menyisipkan Kolom
Pindahkan penunjuk sel pada kolom yang akan disisipi.
Klik kanan... insert variabel...

Akan terlihat sbb.

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

I.3. Modifikasi Data

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

# perintah: RECODE
Pengelompokan biasanya digunakan untuk mengubah variabel
numerik menjadi variabel kategorik. Pengelompokan dapat dilakukan
pada variabel yang sama atau ke variabel baru yang berbeda.
Dianjurkan: jika melakukan pengelopmpokan sebaiknya membuat
variabel baru sehingga variabel awal masih ada.
Kasus:
Anda ingin mengkategorikan umur responden menjadi tiga kelompok,
yaitu responden yang berumur < 20 tahun, 20-30 tahun, dan > 30
tahun (dalam hal ini Anda mengubah variabel numerik menjadi
variabel ordinal).

Langkah:
1. Buka file ASI.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

 Ketik klasfikasi umur ke dalam label

Klik kotak change

Klik kotak Old and New Values

Isilah kotak Old Value dan kotak New Value (selajutnya ikuti
logika berfikir)
Logikanya adalah:
Semua data < 20 tahun diubah menjadi kode 1
Semua data 20 30 tahun diubah menjadi kode 2
Semua data > 30 tahun diubah menjadi kode 3
Oleh karena itu, isilah Old Value dan New Value sebagai berikut:
Old Value: range lowest through 19, New Value: 1, klik Add.
Old Value: range 20 through 30, New Value: 2, klik Add.
Old Value: 31 through highest, New Value:3, klik Add.

Proses telah selesai, klik kotal Continue

Klik OK

Variabel baru (umur_1) akan berada diujung paling kanan. Berikut

adalah hasilnya:

Selanjutnya, lakukanlah pengisian Variable View untuk variabel

umur_1.
2. Mengubah Kode

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

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

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

Proses telah selesai, klik kotal Continue

Klik OK
Variabel baru (edu) akan berada diujung paling kanan. Berikut
adalah hasilnya:

Lakukan untuk pengecekkan data dengan cara: Analyze

Descriptive Statistics Frequencies.
Selanjutnya, lakukanlah pengisian Variable View untuk variabel
edu.

3. Membuat Variabel Baru Hasil Perhitungan

#perintah: COMPUTE

Pada SPSS dapat dilakukan pembuatan variabel baru hasil dari

perhitungan matematika (penjumlahan, pengurangan, pembagian,
perkalian, dll).
Kasus:
Anda ingin membuat variabel baru berat badan bayi dalam bentuk
satuan kilogram.
Langkah-langkah:
Transform Compute Variables
Ketik bayi_kg (nama variabel baru) pada kotak Target Variable
Pada kotak Numeric Expression: isi rumus yang akan digunakan
untuk menghitung nilai baru pada Target Variables. Ketiklah
rumus: bbayi/1000 seperti terlihat digambar.

Proses selesai, klik OK.

4. Membuat Variabel Baru dengan Syarat

#perintah: IF

Dalam pembuatan variabel baru seringkali dihasilkan dari kondisi

beberapa variabel yang ada.

Kasus: Anda ingin membuat variabel baru ibu yang berisiko tinggi dan
rendah saat melahirkan bayi dengan berat lahir rendah. Kriterianya
adalah sbb. Risiko tinggi bila responden berumur > 30 thn dan berat
badan < 50 kg. Risiko Rendah selain kondisi tersebut.
Langkah-langkah:
1. Buat variabel baru (risk) yang semuanya berisi 0 (risiko rendah)
Transform Compute
Target Variable: ketik risk
Numeric Expression: ketik 0

Klik OK, terlihat di Data View variabel risk sudah terbentuk

dengan semua selnya berisi angka nol (0).

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

Klik If include if case satisfies condition

Ketik: umur > 30 & bbibu < 50

Klik continue
Proses selesai, klik OK, klik OK

Selanjutnya lakukan pengecekkan data dan pengisian variabel

view.
5. Memilih Sebagian Data

#perintah: SELECT CASES

Pada kondisi tertentu, Anda hanya menginginkan menganalisis
data dari kelompok tertentu saja. Misalkan Anda mempunyai data
seluruh DKI tetapi hanya ingin mengetahui distribusi aktifitas pada Ibu
hamil yang tinggal di Jakarta Selatan.
Kasus:
Anda ingin menganalisis ibu yang menyusui ASI eksklusif saja.
Langkah-langkah:
Data Select Cases If Condition is Satisfied
Klik If
Sorotlah dan pindahkan ke kotak disebelah kanan dan tuliskan
kondisinya yaitu eksklu=0
Keterangan: ibu yang menyusui eksklusif kodenya=0

Klik Continue
Pada bagian Output (bawah) klik filtered (artinya data yang tidak
dianalisis hanya ditandai dengan pencoretan nomor kasus).
Proses selesai, klik OK.

Nomor yang dicoret artinya dikeluarkan dari data sedangkan yang

tidak dicoret merupakan data yang akan dianalisis (ibu yang
menyusui eksklusif).

II.

STATISTIK DESKRIPTIF (UNIVARIAT)

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

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:

Ingin mengetahui deskripsi variabel body mass index (BMI) berdasarkan

ukuran pemusatan dan ukuran penyebarannya serta penyajiannya dalam
bentuk histogram.
Langkah-Langkah:
1. Buka file des_numerik
2. Lakukan:
Analyze Descriptive Statistics Frequencies
Masukkan BMI ke dalam kotak Variables
Pilihan Display Frequency Tables dinonaktifkan

Klik kotak Statistics. Pilih mean, median, modus pada Central

Tendency (sebagai ukuran pemusatan), pilih Std deviation, Variance,
Minimum, Maksimum pada Dispersion, pilih Skweness dan Kurtosis
pada Distribution (sebagai ukuran penyebaran).

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

Proses selesai, klik Continue, klik OK

Output SPSS
Statistics
Body mass index
N
Mean
Median
Mode
Std. Deviation
Variance
Skewness
Std. Error of Skewness
Kurtosis
Std. Error of Kurtosis
Minimum
Maximum

Valid
Missing

50
0
18.390
18.500
18.5
.7723
.596
.013
.337
-.437
.662
17.0
20.0

II.3. Normalitas Data

Pemilihan penyajian data dan uji hipotesis yang dipakai tergantung
dari normal tidaknya distribusi data. Oleh karena itu, perlu dilakukan uji
normalitas apakah suatu data memiliki distribusi normal atau tidak.
Bila data berdistribusi normal, maka dianjurkan untuk menggunakan
mean dan standar deviasi. Sedangkan bila data tidak berdistribusi normal
maka dianjurkan menggunakan median dan minimum-maksimum sebagai
pasangan ukuran pemusatan dan penyebaran.
Untuk uji hipotesis, jika distribusi data normal maka digunakan uji
parametrik. Sedangkan jika distribusi data tidak normal maka
menggunakan uji non parametrik.
Kasus:
Ingin diketahui variabel umur responden apakah berdistribusi normal atau
tidak.
Metoda
Deskriptif

Tabel 2.1. Metode Uji Normalitas Data

Parameter
Kriteria
Rasio skewness
Nilai rasio
skewness -2 s.d. 2
Rasio kurtosis
Nilai rasio kurtosis
-2 s.d. 2
Histogram
Simetris, tidak
miring kiri maupun
kanan, tidak

Keterangan
Skewness / SE
skew
Kurtosis / SE
kurtosis

Box plot

Normal Q Q plots
Analitis

Kolmogorov
Smirnov
Shapiro Wilk

terlalu tinggi atau

terlalu rendah
Simetris, median
tepat di tengah,
tidak ada outlier
atau nilai ekstrim
Data menyebar
disekitar garis
Nilai kemaknaan
(p) > 0,05
Nilai kemaknaan
(p) > 0,05

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

Pilih Both pada Display

Biarkan kotak Statistics sesuai default SPSS.
Aktifkan kotak Plots, klik Factors Levels Together pada Boxplots
(untuk menampilkan boxplot). Klik Histogram pada Descriptive
(untuk menampilkan histogram), dan Normality Plots with Test
(untuk menampilkan plot dan uji normalitas).

 Proses telah selesai, klik Continue, klik OK

Output:
Descriptives
umur responden

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

a. Lilliefors Significance Correction

Shapiro-Wilk
Statistic
df
.975
299

Sig.
.000

II.4. Mentrasformasi Data Tidak Normal

Jika data Anda tidak normal maka dilakukan upaya mentransformasi
data (mencoba untuk menormalkan data). Transformasi dilakukan dengan
menggunakan fungsi log, akar, akar kuadrat.
Kasus:
Data di atas ternyata berdistribusi tidak normal. Lakukanlah transformasi
data.
Langkah-Langkah:
Transform Compute
Ketik tran-age ke dalam kotak Target Variable
Cari pilihan LG10 pada pilihan Functions, kalau sudah ditemukan
pindahkan ke kotak Numeric Expression dengan mengklik tanda
panah.
Pindahkan variabel umur ke spasi [ ] dengan mengklik tanda
panah.

 Proses selesai, klik OK

Lihat pada Data View, terdapat variabel baru bernama tran_age.

Lakukan uji normalitas kembali pada variabel baru tran_age.

Tests of Normality
a

tran_age

Kolmogorov-Smirnov
Statistic
df
Sig.
.079
299
.000

Statistic
.991

Shapiro-Wilk
df
299

Sig.
.064

a. Lilliefors Significance Correction

III.

UJI HIPOTESIS VARIABEL KATEGORI-NUMERIK DUA

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

*lihat lampiran untuk memahami istilah

III.1. Uji T Tidak Berpasangan

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

2
3
4
5

Tabel 3.2. Langkah-langkah Pemilihan Uji Hipotesis

Langkah
Jawaban
Menentukan variabel yang akan
Variabel yang akan
dihubungkan
dihubungkan adalah perilaku
menyusui (kategori) dengan
kadar Hb (numerik)
Menentukan jenis hipotesis
Komparatif
Langkah
Jawaban
Menentukan skala variabel
Kategori numerik
Menentukan pasangan/tidak
Tidak berpasangan
berpasangan
Menentukan jumlah kelompok
Dua kelompok
Kesimpulan:
Uji yang digunakan asalah uji t tidak berpasangan jika memenuhi syarat.

Jika tidak memenuhi syarat digunakan uji alternatifnya, yaitu uji Mann
Whitney.

Langkah-langkah:
1. Memeriksa syarat uji t tidak berpasangan:
a. Data harus berdistribusi normal (wajib)
b. Varians data boleh sama, boleh juga tidak sama (>0,05 varaians
data sama, <0,05 beda)
2. Jika memenuhi syarat (data berdistribusi normal), maka dipilih uji t
tidak berpasangan.
3. Jika tidak memenuhi syarat (data tidak berdistribusi normal), lakukan
terlebih dahulu transformasi data.
Uji Normalitas Data
Buka file: ASI
Lakukan uji normalitas untuk kadar Hb1 kelompok ibu yang
menyusui eksklusif dan kadar Hb1 kelompok ibu yang tidak
menyusui eksklusif.
Prosesnya sama dengan uji normalitas data. Perbedaannya
memasukkan variabel eksklu ke dalam Factor List.

Output:

Descriptives
kadar hb pengukuran
pertama

status menyusui asi

tdk EKSKLUSIVE

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

status menyusui asi

tdk EKSKLUSIVE
EKSKLUSIVE

Kolmogorov-Smirnov
Statistic
df
Sig.
.205
24
.010
.139
26
.200*

Statistic
.915
.965

Shapiro-Wilk
df
24
26

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

a. Lilliefors Significance Correction

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

Uji T Tidak Berpasangan:

Buka file: ASI

Analyze Compare Means Independent Sample t
Masukkan Hb1 ke dalam kotak Test Variable
Masukkan eksklu ke dalam Grouping Variable

Aktifkan kotak Define Group

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

Output:

Independent Samples Test

Levene's Test for
Equality of Variances

F
kadar hb pengukuran
pertama

Equal variances
assumed
Equal variances
not assumed

Sig.
.072

.790

t-test for Equality of Means

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

Tabel 3.3. Langkah-langkah Pemilihan Uji Hipotesis

Langkah
Jawaban
Menentukan variabel yang akan
Variabel yang akan
dihubungkan
dihubungkan adalah BMI
(numerik) dengan waktu
pengukuran (kategorik)
Menentukan jenis hipotesis
Komparatif
Menentukan skala variabel
Kategori numerik

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

Bodi mass index

sebelum penyuntikan
testosteron

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

a. Lilliefors Significance Correction

Interpretasi:
a. Bagian pertama adalah statistik deskriptif untuk variabel BMI
berdasarkan masing-masing kelompok data.
b. Pada test normalitas karena jumlah sampel kecil 50 dianjurkan
untuk memamaki shapiro wilk.
c. Hasil test of normality shapiro wilk diperoleh hasil nilai kemaknaan
untuk kedua kelompok data adalah > 0,05. Dengan demikian dapat

diambil kesimpulan bahwa distribusi kedua kelompok data adalah

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

Proses selesai. Klik Continue. Klik OK.

Output:
Paired Samples Correlations
N
Pair
1

Bodi mass index

sebelum penyuntikan
testosteron & Body mass
index setelah penyuntikan
testosterone

Correlation

50

.148

Sig.

.306

Paired Samples Test

Paired Differences

Mean
Pair
1

Bodi mass index

sebelum penyuntikan
testosteron - Body mass
index setelah penyuntikan
testosterone

-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.

IV. UJI HIPOTESIS VARIABEL KATEGORI-NUMERIK LEBIH

DARI DUA KELOMPOK
IV.1. ANOVA
Kasus:
Ingin diketahui apakah ada perbedaan kadar gula darah antara kelompok
ekonomi rendah, sedang, dan tinggi.
Pemilihan Uji Hipotesis:

2
3
4
5

Tabel 4.1. Langkah-langkah Pemilihan Uji Hipotesis

Langkah
Jawaban
Menentukan variabel yang akan
Variabel yang akan
dihubungkan
dihubungkan adalah kadar
gula darah (numerik) dengan
status ekonomi (kategorik)
Menentukan jenis hipotesis
Komparatif
Menentukan skala variabel
Kategori numerik
Menentukan pasangan/tidak
Tidak Berpasangan
berpasangan
Menentukan jumlah kelompok
Tiga kelompok
Kesimpulan:
Uji yang digunakan adalah ANOVA jika memenuhi syarat. Jika tidak

.000

memenuhi syarat digunakan uji alternatifnya, yaitu uji Kruskal Wallis.

Langkah-Langkah:
1. Syarat ANOVA tidak berpasangan:
a. Distribusi data harus normal (wajib)
b. Varians data harus sama (wajib)
2. Jika memenuhi syarat maka dipilih uji 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

kadar gula darah

tingkat ekonomi
tinggi
sedang
rendah

a. Lilliefors Significance Correction

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

Aktifkan kotak Options

Pilih Homogeneity of Variance (untuk menguji varians data)

Klik Continue. Klik OK.

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

 Pilih Power Estimation (untuk mencari bentuk transformasi terbaik)

Klik Continue. Klik OK

Output:

Nilai slope dan nilai power adalah panduan bagi kita untuk menentukan
jenis transformasi. Berikut adalah panduan jenis transformasi berdasarkan
slope dan power.
Tabel 4.2. Panduan Mencari Bentuk 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.

Proses selesai. Klik OK

Melakukan Uji Varians untuk Variabel Hasil Transformasi

Analyze Compare Means One way ANOVA
Masukkan variabel trn_gula ke dalam Dependent List
Masukkan variabel class ke dalam Factor List
Aktifkan kotak Option
Pilih Homogeneity of Variance (untuk menguji varians data)
Klik Continue. Klik OK
Output
Test of Homogeneity of Variances
trn_gula
Levene
Statistic
1.962

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

 Pilih Tukey pada kotak Equal Variances Assumed

Klik Continue. Klik OK.
Output:
Descriptives
kadar gula darah

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

95% Confidence Interval for

Mean
Lower Bound
Upper Bound
264.9110
283.0630
208.2021
218.8003
199.3654
210.2958
225.5298
236.0160

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

(I) tingkat ekonomi

tinggi
sedang
rendah

(J) tingkat ekonomi

sedang
rendah
tinggi
rendah
tinggi
sedang

Mean
Difference
(I-J)
-.00778*
-.00930*
.00778*
-.00151
.00930*
.00151

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

Std. Error
.00068
.00068
.00068
.00068
.00068
.00068

Sig.
.000
.000
.000
.070
.000
.070

95% Confidence Interval

Lower Bound
Upper Bound
-.0094
-.0062
-.0109
-.0077
.0062
.0094
-.0031
.0001
.0077
.0109
-.0001
.0031

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.

IV.2. Uji Repeated ANOVA

Uji repeated ANOVA berada dalam lingkup General Linear Model.
General Linear Model Repeated Measures (GLM RM) adalah suatu
analisis yang diterapkan untuk situasi dimana pengukuran dilakukan
berulang-ulang pada subyek yang sama. Uji ini mirip dengan uji t untuk
data yang berpasangan (paired t-test). Jika pada uji t hanya dua data
(sebelum dan sesudah), maka pada uji GLM-RM ini pengujian bisa
dilakukan pada lebih dari dua pasangan data. Jadi analisis GLM-RM
bertujuan untuk mengetahui apakah ada perbedaan yang bermakna pada
pasangan data yang diukur berulang-ulang (Santoso, S, 2000).
Kasus:
Ingin diketahui pengaruh metoda latihan pada penderita arthritis terhadap
fungsi lutut. Sebelum pelatihan diukur fungsi lutut berdasarkan waktu

yang diperlukan untuk naik tangga (dalam detik). Anda ingin melihat
perbandingan fungsi lutut sebelum pelatihan, empat minggu setelah
pelatihan, dan enam minggu setelah pelatihan.
Pemilihan Uji Hipotesis:

2
3
4
5

Tabel 4.2. Langkah-langkah Pemilihan Uji Hipotesis

Langkah
Jawaban
Menentukan variabel yang akan
Variabel yang akan
dihubungkan
dihubungkan adalah fungsi
lutut (numerik) dengan waktu
pengukuran (kategorik)
Menentukan jenis hipotesis
Komparatif
Menentukan skala variabel
Kategori numerik
Menentukan pasangan/tidak
Berpasangan
berpasangan
Menentukan jumlah kelompok
>2 kelompok
Kesimpulan:
Uji yang digunakan adalah uji repeated ANOVA jika memenuhi syarat. Jika
tidak memenuhi syarat digunakan uji alternatifnya, yaitu uji Friedman.

Langkah-Langkah:
1. Syarat ANOVA tidak berpasangan:
a. Distribusi data harus normal (wajib)
b. Varians data harus sama (wajib)
2. Jika memenuhi syarat maka dipilih uji repeated 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)

Detik kecepatan naik

turun tangga (minggu 4)

Detik kecepatan naik

turun tangga (minggu 6)

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

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

a. Lilliefors Significance Correction

Interpretasi:
a. Bagian pertama adalah statistik deskriptif untuk variabel fungsi lutut.
Ingat prinsip bahwa Anda harus mempelajari deskripsi variabel
sebelum melangkah pada proses selanjutnya.
b. Pada bagian Test of Normality (Shapiro-Wilk), terlihat bahwa nilai
Significancy untuk semua variabel adalah >0,05. Kesimpulannya
distribusi data pada ketiga pengukuran tsb adalah normal.
Uji Repeated ANOVA
Analyze General Linear Model Repeated Measure
Masukkan waktu pada kolom Within Subject Factor Name (bisa juga
pada kolom ini dibiarkan default SPSS dengan kata factor 1).
Ketikan angka 3 ke dalam Number of Levels (untuk menunjukkan
bahwa pengukuran dilakukan tiga kali).
Klik kota Add.

Klik kotak Define

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

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

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

Terdapat berbagai macam jenis contras, yang sering dipakai adalah:
simpel (melihat perbedaan masing-masing mean dengan mean
satu level sebagai pembanding first atau last-),
difference (melihat perbedaan satu level lebih tinggi dengan ratarata level sebelumnya, level-2 vs level-1, level-3 vs previous (mean
level-1 dan 2), level-4 vs previous (mean level-1 sd 3),
deviation (melihat perbedaan masing-masing mean level dengan
mean total), dan
repeated (melihat perbedaan mean antar level yg berdekatan
level1 dengan level2, level2 dengan level3, dst).

 Proses telah selesai. Klik Continue. Klik OK.

Output:

Mauchly's Test of Sphericityb

Measure: MEASURE_1
Epsilon
Within Subjects Effect Mauchly's W
waktu
.500

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.

Asumsi utama dalam analisis GLM-RM yang harus dipenuhi adalah

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

Pada tabel Mauchlys test of Spherictiy terlihat nilai p-value = 0,000.

Berarti asumsinya tidak terpenuhi. Untuk itu, dalam interpretasi hasil
GLM-RM perlu dilihat faktor koreksi untuk degree of freedom (df) dari nilai
Epsilon, dimana Nilai df koreksi = Nilai df sebelum koreksi * Epsilon. Hasil
koreksi df terlihat pada tabel Tests of Within-Subjects Effects.
Pada baris Sphericity Assumed, df yang dipakai adalah df yang asli (tidak
dikoreksi), uji ini dipakai jika asumsi sphericity nya terpenuhi.

Pada

Greenhouse-Geiser, telah dilakukan koreksi terhadap df-nya menjadi

1,334. Hasil koreksi df ini digunakan untuk analisis selanjutnya. Semua
hasil test, baik df dikoreksi ataupun tidak memperlihatkan hasil uji yang
hampir sama.
Hasil uji asumsi Sphericity (yang df-nya sudah dikoreksi) diperlihatkan dari
tabel Within-Subjek Effect, dengan simpulan yang sama, yakni asumsi
Sphericity tidak terpenuhi.
Tests of Within-Subjects Effects
Measure: MEASURE_1
Source
waktu

Error(waktu)

Oleh

Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound
Sphericity Assumed
Greenhouse-Geisser
Huynh-Feldt
Lower-bound

karena

asumsi

Type III Sum

of Squares
5367.048
5367.048
5367.048
5367.048
2070.034
2070.034
2070.034
2070.034

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

multivariate test. (SPSS Intermediate, 1999)

Multivariate Testsb
Effect
waktu

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
-

Dari keempat test statistik, Pillais Test, Wilks Lambda, Hotellings

Trace dan Roys Largest Root, untuk kinerja menunjukkan signifikansi
yang sama (p-value = 0,000). Artinya secara umum memang ada
perbedaan fungsi lutut menurut waktu (antara sebelum dengan
sesudah pelatihan). Minimal salah satu fungsi lutut (waktu1 s/d
waktu6) berbeda dengan lainnya. Untuk bagian mana yang berbeda
tidak terlihat dari uji multivariat, harus dilihat tabel Test WithinSubjects Contrasts.
Tests of Within-Subjects Contrasts
Measure: MEASURE_1
Source
waktu
Error(waktu)

waktu
Level 2 vs.
Level 3 vs.
Level 2 vs.
Level 3 vs.

Level
Level
Level
Level

1
1
1
1

Type III Sum

of Squares
4622.542
10342.363
2062.216
3341.058

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.

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

V.5. Uji Chi Square
Kasus:
Ingin mengetahui hubungan antara jenis pekerjaan dengan perilaku
menyusui ibu. Pertanyaan penelitiaan: apakah ada perbedaan proporsi
kejadian menyusui eksklusif antara ibu yang bekerja dengan ibu yang
tidak bekerja?

Pemilihan Uji Hipotesis:

Tabel 5.1.. Langkah-langkah Pemilihan Uji Hipotesis
1

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

Menentukan jenis hipotesis

Menentukan skala variabel
Menentukan pasangan/tidak
berpasangan
Menentukan jenis tabel B x K
2x2
Kesimpulan:
Jenis tabel pada soal ini 2 x 2. Uji yang digunakan adalah uji chi square
bila memenuhi syarat. Bila tidak memenuhi syarat uji Chi square
digunakan uji alternatifnya yaitu uji Fisher.

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

Aktifkan kotak statistics, lalu pilih chi square dan klik risk

 Klik continue
Aktifkan kotak cell, lalu pilih Observed (untuk menampilkan nilai
observed) pada bagian counts.
Pilih Row pada bagian percentages
Klik Continue

Klik OK
Output:

status pekerjaan ibu * status menyusui asi Crosstabulation

status pekerjaan
ibu

KERJA

tidak kerja

Total

status menyusui asi

tdk
EKSKLUSIVE EKSKLUSIVE
17
8

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

a. Computed only for a 2x2 table

b. 0 cells (.0%) have expected count less than 5. The minimum expected count is 12.
00.

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.