Laporan praktikum ke-7 Tanggal Mulai : 15 Oktober 2014

MK. Analisis Data Pangan dan Gizi Tanggal Selesai : 15 Oktober 2014

ANALISIS DATA MENGGUNAKAN APLIKASI SPSS

(UJI DESKRIPTIF, UJI NORMALITAS, UJI HUBUNGAN, UJI
BEDA, DAN UJI REGRESI)

Oleh:
Ririn Apriani I14120056

Asisten Praktikum:
Ramadhini Rizkiyah
Mesa Shelviani

Penanggung Jawab Praktikum:

Prof. Dr. Ir. Dadang Sukandar, MSc

DEPARTEMEN GIZI MASYARAKAT

FAKULTAS EKOLOGI MANUSIA
INSTITUT PERTANIAN BOGOR
2014
 HASIL DAN PEMBAHASAN

Data yang telah melewati proses coding, editing, dan cleaning kemudian
dapat dianalisis. Terdapat berbagai macam jenis analisis data dan pada praktikum
Analisis Data Pangan dan Gizi kali ini melakukan uji deskriptif, uji normalitas, uji
hubungan, uji, beda, dan uji regresi. Data yang akan dianalisis adalah data
Provinsi Yogyakarta.

Uji Deskriptif

Uji deskriptif dilakukan untuk melihat gambaran dari frekuensi,

maksimum, minimum, median, modus dan lain-lain dalam sebuah data. Langkah-
langkah melakukan uji deskriptif adalah pilih analyze, descriptive statistic,
descriptive. Kotak dialog descriptive akan muncul seperti pada Gambar 1.

Gambar 1 Kotak dialog descriptive

Pilih data yang akan dianalisis ke kotak variabel seperti energi, protein,
lemak, karbohidrat, dan serat. Klik options dan berikan tanda ceklis pada
minimum, maximum, std.deviation, sum, dan mean. Klik continue lalu klik Ok.
Tabel hasil analisis deskrpitif kemudian akan terlihat seperti tabel 1.

Tabel 1 Hasil analisis deskriptif

N Minimum Maximum Sum Mean Std. Deviation
ENERGI 482 84.00 3274.00 6.41E5 1.3295E3 494.94440
PROTEIN 482 1.69 132.72 1.90E4 39.4631 19.56621
LEMAK 482 .22 151.90 1.95E4 40.5565 26.61817
KARBOHIDRAT 482 18.31 587.10 9.80E4 2.0334E2 75.02797
SERAT 482 .88 40.92 3973.51 8.2438 4.99981
Valid N (listwise) 482
 Uji Normalitas

Normalitas dilakukan untuk mengetahui sebaran data. Normalitas

kemudian akan menentukan jenis metode analisis yang digunakan untuk variabel-
variabel tertentu. Analisis normalitas suatu variabel dapat dilakukan dengan uji
Kolmogorv-Smirnov. Langkah-langkah uji normalitas adalah pilih analyze,
descriptive statistic, lalu explore. Kotak dialog explore kemudian akan muncul
seperti pada Gambar 2.

Gambar 2 Kotak dialog explore

Pilih variabel numerik yang akan dianalisis ke dependent list. Hal ini
dikarenakan variabel kategorik sudah pasti memiliki sebaran data yang tidak
normal sehingga tidak perlu melakukan uji normalitas. Contoh variabel yang
dipindahkan adalah umur, energi, protein, lemak, karbohidrat, serat, dan BMI.
Lalu klik plots dan beri tanda ceklis pada normally plots with test. Klik continue
lalu klik Ok. Hasil uji normalitas dapat dilihat pada tabel 2.

Tabel 2 Hasil uji normalitas

Kolmogorov-Smirnova Shapiro-Wilk
Statisti
c df Sig. Statistic df Sig.
Umur tahun .094 481 .000 .947 481 .000
ENERGI .069 481 .000 .957 481 .000
PROTEIN .091 481 .000 .922 481 .000
LEMAK .091 481 .000 .919 481 .000
KARBOHIDRAT .079 481 .000 .950 481 .000
SERAT .148 481 .000 .829 481 .000
BMI .047 481 .013 .973 481 .000

Berdasarkan tabel diatas dapat dilihat nilai signifikansi dari masing-

masing variabel. Dalam uji normalitas, suatu variabel dikatakan normal jika nilai
p>0.05. Jika jumlah responden kurang dari 50, maka nilai signifikansi yang dibaca
adalah Shapiro-Wilk. Namun ketika responden lebih dari 50, maka nilai
signifikansi yang dibaca adalah Kolmogorov-Smirnov. Semua variabel yang
dianalisis mengandung sebaran data yang normal karena nila p<0.05

Uji Hubungan

Uji hubungan digunakan untuk melihat hubungan antara dua variabel.

Jenis uji yang digunakan bergantung pada jenis variabel yang akan di uji. Pada
praktikum ini variabel yang akan di uji adalah Kategori IMT, konsumsi energi,
lemak, karbohidrat, dan serat. Kategori IMT merupakan data kategorik sehingga
memiliki sebaran data tidak normal sedangkan konsumsi zat gizi merupakan data
yang normal berdasarkan uji normalitas sebelumnya. Ketika dihadapkan pada uji
hubungan antara data yang normal dan tidak normal maka uji yang digunakan
adalah spearman. Langkah-langkah dalam melakukan uji Spearman adalah klik
analyze, correlate, lalu bivariate. Kotak dialog uji hubungan kemudian akan
muncul seperti pada Gambar 3.

Gambar 3 Kotak dialog bivariate correlations

Pindahkan variabel yang akan dianalisis yaitu Kategori IMT, konsumsi
energi, lemak, karbohidrat, dan serat ke kotak variables. Beri tanda ceklis pada
Spearman dan two tailed. Two tailed dipilih karena masih belum dapat diketahui
variabel dependen dan variabel independennya lalu klik Ok. Hasil uji hubungan
dapat dilihat pada tabel 3.
 Tabel 3 Hasil uji hubungan
Kateg
ENER PROTE LEM KARBOHID
ori SERAT
GI IN AK RAT
IMT
Spearma Kategori IMT Correlat
n's rho ion
1.000 .059 .071 .085 .000 .078
Coeffici
ent
Sig. (2-
. .211 .135 .074 .984 .102
tailed)
N 447 447 447 447 447 447
ENERGI Correlat
ion
.059 1.000 .795** .745** .827** .649**
Coeffici
ent
Sig. (2-
.211 . .000 .000 .000 .000
tailed)
N 447 482 482 482 482 482
PROTEIN Correlat
ion
.071 .795** 1.000 .742** .508** .555**
Coeffici
ent
Sig. (2-
.135 .000 . .000 .000 .000
tailed)
N 447 482 482 482 482 482
LEMAK Correlat
ion
.085 .745** .742** 1.000 .305** .519**
Coeffici
ent
Sig. (2-
.074 .000 .000 . .000 .000
tailed)
N 447 482 482 482 482 482
KARBOHID Correlat
RAT ion
.000 .827** .508** .305** 1.000 .568**
Coeffici
ent
Sig. (2-
.984 .000 .000 .000 . .000
tailed)
N 447 482 482 482 482 482
SERAT Correlat
ion
.078 .649** .555** .519** .568** 1.000
Coeffici
ent
Sig. (2-
.102 .000 .000 .000 .000 .
tailed)
N 447 482 482 482 482 482
 Berdasarkan tabel diatas dapat dilihat nilai signifikansi dari hubungan
antar variabel. Dalam uji hubungan, jika nilai p<0.05 maka terdapat korelasi atau
hubungan yang bermakna antara dua variabel. Antara kategori IMT dengan semua
konsumsi zat gizi memiliki p>0.05 sehingga dapat diartikan tidak ada hubungan
nyata antara kategori IMT dengan konsumsi zat gizi. Namun antar konsumsi zat
gizi memiliki hubungan yang signifikan yang ditandai dengan nilai p>0.05.
 Uji Beda

Uji beda digunakan untuk melihat perbedaan antara dua kelompok data
pada sebuah variabel. Pada praktikum ini digunakan 3 jenis analisis untuk uji beda
yaitu uji Mann-Whitney, T-test dan chi-square. Jenis uji yang digunakan
bergantung pada jenis variabel yang akan di uji. Jenis uji beda yang pertama
adalah uji Mann-Whitney.
Uji Mann-Whitney digunakan ketika akan menguji data non-parametrik
khususnya ordinal yang digunakan untuk membandingkan 2 kelompok data yang
tidak berpasangan. Contohnya adalah menguji perbedaan kebutuhan energi dan
kebutuhan protein pada wanita yang sedang hamil dan tidak hamil. Langkah-
langkah dalam melakukan uji Mann-Whitney adalah pilih analyze, non-
parametric test, lalu 2 independent sample t-test. Kotak dialog two-independent-
sample tests kemudian akan muncul seperti pada Gambar 4.

Gambar 4 Kotak dialog two-independent-sample tests

Pindahkan variabel kebutuhan energi dan kebutuhan protein ke kotak test
variable list dan pindahkan B4K10 (apakah sedang hamil?) ke kotak grouping
variable. Definisikan kelompoknya dengan klik define groups lalu masukkan 1
dan 2. Ceklis Mann-Whitney U pada tipe tes lalu klik Ok. Hasil uji beda dapat
dilihat pada tabel 4 dan 5.

Tabel 4 Signifikansi uji beda

kebutuhan kebutuhan
energi protein
Mann-Whitney U .000 .000
Wilcoxon W 112101.000 112101.000
Z -21.932 -21.932
Asymp. Sig. (2-
.000 .000
tailed)
 Tabel 5 Hasil uji Mann-Whitney
Apakah sedang hamil N Mean Rank Sum of Ranks
kebutuhan Ya 9 478.00 4302.00
energi Tidak 473 237.00 112101.00
Total 482
kebutuhan Ya 9 478.00 4302.00
protein Tidak 473 237.00 112101.00
Total 482

Berdasarkan tabel diatas dapat dilihat nilai signifikansi dari perbedaan

antar kelompok data. Dalam uji beda, jika nilai p<0.05 maka terdapat perbedaan
yang bermakna antar dua kelompok data. Tabel diatas menunjukkan nilai p<0.05
sehingga dapat dikatakan terdapat perbedaan nyata antara keadaan sedang hamil
dan tidak dalam hal kebutuhan energi dan protein.
Uji beda yang kedua adalah T-test. Uji T-test digunakan ketika akan
menguji data yang bersifat numerik atau parametrik yang digunakan untuk
membandingkan 2 kelompok data yang tidak berpasangan. Contohnya adalah
menguji perbedaan persen kebutuhan energi dan persen kebutuhan protein pada
wanita yang sedang hamil dan tidak hamil. Langkah-langkah dalam melakukan uji
T-test adalah pilih analyze, compare means, lalu independent sample t-test. Kotak
dialog two-independent-sample tests kemudian akan muncul seperti pada Gambar
5.

Gambar 4 Kotak dialog independent-sample tests

Pindahkan variabel persen kebutuhan energi dan persen kebutuhan
protein ke kotak test variable dan pindahkan B4K10 (apakah sedang hamil?) ke
kotak grouping variable. Definisikan kelompoknya dengan klik define groups lalu
masukkan 1 dan 2 lalu klik Ok. Hasil uji beda dapat dilihat pada tabel 6.
 Tabel 6 Hasil uji T-test
Levene'
s Test
for
Equalit t-test for Equality of Means
y of
Varianc
es
Sig. Std. 95% Confidence Interval
(2- Mean Error of the Difference
Sig taile Differen Differen
F . t df d) ce ce Lower Upper
Persenta Equal
se varianc . . - - -
Kecukup es 41 52 1.51 480 .130 14.0342 9.24376 32.197 4.12896
an assume 4 0 8 8 52
Energi d
Equal
varianc - - -
8.52
es not 1.96 .083 14.0342 7.15822 30.365 2.29699
6
assume 1 8 55
d
Persenta Equal
se varianc . . - - -
13.1419
Kecukup es 88 34 1.19 480 .232 15.7154 41.538 10.10739
3
an assume 8 7 6 2 24
Protein d
Equal
varianc - - -
8.74
es not 1.81 .104 15.7154 8.66056 35.395 3.96451
2
assume 5 2 35
d

Berdasarkan tabel diatas dapat dilihat nilai signifikansi dari perbedaan

antar kelompok data. Dalam uji beda, jika nilai p<0.05 maka terdapat perbedaan
yang bermakna antar dua kelompok data. Tabel diatas menunjukkan nilai p>0.05
sehingga dapat dikatakan tidak terdapat perbedaan nyata antara keadaan sedang
hamil dan tidak dalam hal persen kebutuhan energi dan persen kebutuhan protein.
Uji yang ketiga adalah chi-square. Uji chi-square digunakan untuk
melihat hubungan antara dua variabel yang keduanya bersifat non-parametrik.
Contohnya adalah menganalisis hubungan antara status pendidikan tertinggi dan
pekerjaan utama dengan kategori IMT. Langkah awal melakukan uji chi-square
adalah klik analyze, descriptive statistic, lalu crosstabs. Kotak dialog crosstabs
kemudian akan muncul seperti pada Gambar 5.
 Gambar 4 Kotak dialog crosstabs
Pindahkan variabel status pendidikan tertinggi, status pekerjaan utama,
dan kategori IMT ke kotak coloumn dan pindahkan juga kategori IMT ke kotak
row. Klik statistic dan pilih chi-square. Klik continue lalu klik ok. Hasil analisis
uji chi-square akan terlihat seperti pada tabel 7.

Tabel 7 Hasil uji chi-square

Status pendidikan tertinggi:
Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 9.372a 12 .671
Likelihood Ratio 11.063 12 .524
Linear-by-Linear
2.751 1 .097
Association
N of Valid Cases 447

a. 4 cells (19.0%) have expected count less than 5. The minimum expected count
is .97.

Status pekerjaan utama:

Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 19.623a 12 .075
Likelihood Ratio 20.763 12 .054
Linear-by-Linear
1.080 1 .299
Association
N of Valid Cases 447
 Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 19.623a 12 .075
Likelihood Ratio 20.763 12 .054
Linear-by-Linear
1.080 1 .299
Association
a. 6 cells (28.6%) have expected count less than 5. The minimum expected count
is .13.

Berdasarkan tabel diatas dapat dilihat nilai signifikansi dari hubungan

antara status pendidikan tertinggi dan status pekerjaan utama dengan kategori
IMT. Dalam uji chi-square, jika nilai p<0.25 maka terdapat hubungan yang
bermakna antar dua variabel. Tidak terdapat hubungan nyata antara status
pendidikan tertinggi dengan IMT ditandai dengan nilai p>0.25 yaitu 0.671.
Namun terdapat hubungan nyata antara status pekerjaan tertinggi dengan IMT
ditandai dengan nilai p<0.25 yaitu 0.075.

Uji Regresi Linear

Uji regresi linear berfungsi untuk melihat pengaruh antara variabel

independent dan variabel dependent. Pada praktikum ini, variabel yang diuji
adalah pengaruh status ekonomi terhadap BMI. Langkah-langkah yang dilakukan
adalah analyze, regression, lalu linier. Kotak dialog linear regression kemudian
akan muncul seperti pada gambar 5.

Gambar 5 Kotak dialog linear regression

Pindahkan variabel status ekonomi ke kotak independent dan pindahkan
variabel BMI ke kotak dependent. Langkah selanjutnya adalah klik Ok kemudian
hasil analisis uji regresi linear akan terlihat seperti pada Tabel 8.

Tabel 8 Hasil uji regresi linear

Model Summary
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate

1
.227a
.051
.049
4.1020

Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t
Sig.

B
Std. Error
Beta

1
(Constant)
21.317
.455

46.845
.000

Status Ekonomi
.718
.141
.227
5.097
.000

Berdasarkan tabel diatas dapat dilihat nilai R square dari hasil analisis
regresi linear adalah 0.051. Hal ini menunjukkan bahwa status ekonomi tidak
berpengaruh secara nyata atau pengaruhnya sangat lemah terhadap IMT. Nilai R
square yang mendekati 1 memiliki arti bahwa variable independent sangat
berpengaruh terhadap variabel dependent, begitupula sebaliknya. Selain melihat
nilai R, pada analisis regresi linear juga melihat nilai B pada tabel coefficient.
Nilai B<0.05 menunjukkan adanya pengaruh antar variabel. Berdasarkan nilai B,
status ekonomi tidak berpengaruh terhadap BMI karena nilai B nya adalah sebesar
0.718.
 Uji Regresi Logistik

Uji regresi logistik adalah analisis multivariate untuk mengetahui faktor

resiko dari sebuah variabel. Pada praktikum ini, variabel yang dianalisis adalah
mengukur hubungan antara BMI dengan persen energi dan persen protein.
Langkah awal dalam melakukan regresi logistik adalah merubah variabel persen
energi, persen protein, dan BMI. Pilih transform, recode into different variable.
Pindahkan persentase kecukupan energi dan persentase kecukupan protein ke
kotak output variabel. Ganti nama menjadi TKE dengan label tingkat kecukupan
energi untuk variabel persentase kecukupan energi dan TKP dengan label tingkat
kecukupan protein untuk variabel persentase kecukupan protein.
Langkah selanjutnya adalah membuat kategori dengan klik old and new
values. Buat kategori dengan value 0 yang memiliki kriteria LOWEST through
value 110 dan buat kategori dengan value 1 yang memiliki kriteria value through
HIGHEST 111. Klik add setiap penambahan kategori lalu klik continue dan ok.
Kategori 0 memiliki arti bahwa kelompok tersebut tidak beresiko dan kategori 1
memiliki arti bahwa kelompok tersebut beresiko.
Lakukan transformasi juga terhadap variabel BMI dengan langkah yang
sama dengan variabel persen energi dan persen protein. Perbedaan hanya terdapat
pada nama dan kategorinya. Ubah namanya menjadi BMI_2. Buat kategori
dengan value 0 yang memiliki kriteria LOWEST through value 23 dan buat
kategori dengan value 1 yang memiliki kriteria value through HIGHEST 23.1.
Klik add setiap penambahan kategori lalu klik continue dan ok. Kategori 0
memiliki arti bahwa kelompok tersebut tidak beresiko dan kategori 1 memiliki arti
bahwa kelompok tersebut beresiko.
Analisis regresi logistik kemudian dapat dilakukan jika seluruh variabel
yang akan dianalisis telah selesai di transform. Langkah-langkahnya adalah pilih
analyze, regression, kemudian binary logistic. Kotak dialog logistic regression
kemudian akan muncul seperti pada gambar 6.

Gambar 6 Kotak dialog logistic regression

Pindahkan variabel BMI_2 ke kotak dependent dan variabel TKE serta
TKP ke kotak covariates. Klik categorical, pindahkan semua variabel ke kolom
categorical variable, lalu klik continue. Klik option, aktifkan CI for exe dan ketik
nilai CI sebesar 95% lalu klik continue dan Ok. Hasil analisis regresi logistik
kemudian akan terlihat seperti tabel 9.
Tabel 9 Hasil uji regresi logistik
Model Summary
-2 Log Cox & Snell R Nagelkerke R
Step likelihood Square Square
1 654.946a .002 .002

Variables in the Equation

95.0% C.I.for
EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
a
Step 1 TKE(1) -.117 .383 .093 1 .760 .890 .420 1.884
TKP(1) -.156 .296 .276 1 .599 .856 .479 1.529
Constan
.225 .317 .503 1 .478 1.252
t

Berdasarkan tabel diatas dapat dilihat nilai Nagelkerke R Square dari

hasil analisis adalah sebesar 0.002. Interpretasi dari nilai Nagelkerke R Square
adalah ketika nilai nya mendekati 1 maka faktor tersebut sangat kuat
mempengaruhi. Nilai Nagelkerke R Square yang kecil sekali menunjukkan bahwa
faktor tersebut tidak berpengaruh terhadap variabel dependent nya. Pada analisis
regresi logistik dilihat pula nilai signifikannya. Menurut tabel diatas, TKE dan
TKP tidak memiliki hubungan yang signifikan dengan BMI ditandai dengan nilai
nilai p>0.05. Terdapat satu nilai lagi yang dianalisis yaitu Exp(B) yang memiliki
arti jika mendekati 1 maka data tersebut dapat dipercaya. Nilai EXP(B) dari TKE
dan TKP berturut-turut adalah 0.890 dan 0.856 dan mendekati 1 sehingga dapat
diartikan bahwa data tersebut dapat dipercaya.