Laporan praktikum ke-8 Tanggal Mulai : 26 November 2014

MK. Analisis Data Pangan dan Gizi Tanggal Selesai :26 November 2014

ANALISIS DATA MENGGUNAKAN APLIKASI SPSS

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 hasil penelitian yang telah dikumpulkan kemudian dapat dianalisis

secara statistik. Data terlebih dahulu harus melewati proses coding, editing dan
cleaning. Setelah melewati proses diatas, data kemudian dapat dianalisis.
Berdasarkan jenis, sifat, dan ukuran data yang digunakan, analisis statistik dapat
dibedakan menjadi analisis non parametrik dan analisis parametrik. Analisis non
parametrik cocok jika bentuk dan sifat data tidak menjadi dasar analisis. Ukuran
variabel juga cukup nominal atau ordinal yang tidak dapat diformulasikan dengan
operasi aritmetik.
Analisis parametrik merupakan jenis analisis yang cocok jika sifat dan
bentuk data menjadi pertimbangan analisis. Ukuran data khususnya variabel
dependen sebaiknya merupakan rasio yang dapat diformulasikan dengan operasi
aritmatik. Analisis data berdasarkan tujuan pokok analisis dapat dibedakan
menjadi statistik deskriptif dan statistik inferensia. Pada beberapa analisis
khususnya analisis statistik inferensia, jenis sebaran data sangat penting untuk
diketahui terlebih dahulu. Hal ini memiliki tujuan agar tidak terjadi kesalahan
pada pemilihan metode analisis, sehingga data terlebih dahulu harus di uji
normalitasnya.

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
Kolmogorov-Smirnov. Langkah-langkah uji normalitas adalah pilih analyze,
descriptive statistic, lalu 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.
Klik plots dan beri tanda ceklis pada normally plots with test. Klik continue lalu
klik Ok. Contoh dari hasil uji normalitas dapat dilihat pada Gambar 1

.
Gambar 1 Hasil uji normalitas
Parameter yang dilihat dalam uji normalitas adalah nilai signifikansi dari
tiap 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. Hampir semua variabel
pada gambar diatas yang dianalisis mengandung sebaran data yang tidak normal
karena nila p<0.05 kecuali status gizi yang memiliki sebaran data normal yang
memiliki nilai p 0.022.

Analisis Deskriptif

Analisis deskriptif digunakan untuk memperoleh gambaran nilai

parameter-parameter statistik yang dimiliki oleh sekelompok data. Contoh
parameter yang dimaksud adalah frekuensi, data tertinggi, data terendah, median,
modus, standar deviasi dan lain-lain. Statistik deskriptif terbagi lagi menjadi
analisis deskriptif nonparametrik dan analisis deskriptif parametrik.
Langkah-langkah untuk melakukan analisis deskriptif nonparametrik
adalah pilih menu analyze, descriptive statistics, lalu frequencies. Pindahkan
variabel yang akan dianalisis ke kotak variable(s). Klik statistics lalu beri tanda
ceklis pada mean, median, mode, minimum, maximum dan parameter statistik
deskriptif yang diinginkan. Klik continue lalu Ok. Contoh dari hasil analisis
deskriptif nonparametrik dapat dilihat pada Gambar 2.

Gambar 2 Hasil analisis statistik deskriptif

Analisis deskriptif nonparametrik juga dapat digunakan untuk data yang

multi dimensi. Maksud dari data multidimensi adalah sebaran data yang terdapat
dalam variabel tertentu. Langkah-langkah melakukan analisis adalah pilih
analyze, descriptive statistic, lalu crosstabs. Pindahkan variabel ke kotak row(s)
dan column(s). Pilih cells dan beri tanda ceklis pada row, column, dan total. Klik
continue lalu Ok. Contoh dari hasil analisis deskriptif nonparametrik multi
dimensi dapat dilihat pada Gambar 3.
 Gambar 3 Hasil analisis statistik deskriptif nonparametrik multi dimensi
Analisis deskriptif yang ketiga adalah analisis deskriptif parametrik.
langkah-langkahnya adalah pilih analyze, descriptive statistics, lalu descriptive.
Pindahkan variabel yang akan dianalisis ke kotak variable(s). Klik options lalu
beri tanda ceklis pada mean, std.deviation, minimum, maximum, dan parameter
lain yang diinginkan. Klik continue lalu Ok. Contoh dari hasil analisis deskriptif
parametrik dapat dilihat pada Gambar 4.

Gambar 4 Hasil analisis statistik deskriptif parametrik

Analisis deskriptif yang keempat adalah analisis deskriptif parametric
multidimensi. Langkah-langkahnya adalah pilih analyze, compare means, lalu
means. Pindahkan variabel yang dipengaruhi ke kotak dependent list dan variabel
yang mempengaruhi ke kotak independent list. Klik options lalu pindahkan
parameter statistik yang diinginkan ke kotak cell statistics. Klik continue lalu klik
Ok. Contoh dari hasil analisis deskriptif parametric multidimensi dapat dilihat
pada Gambar 5.
 Gambar 5 Hasil analisis statistik deskriptif parametrik multidimensi

Analisis Statistik Inferensia

Analisis statistik inferensia adalah suatu pendekatan analisis untuk

menguji hipotesis terhadap parameter statistik populasi data berdasarkan nilai
parameter statistik yang dimiliki sekelompok data. Secara umum derajat
hubungan antar variabel dalam statistik inferensia dapat dibedakan menjadi uji
hubungan, uji beda, dan uji regresi. Ketiga jenis hubungan statistik tersebut
masing-masing memiliki jenis parameter dan metode analisis serta fungsi yang
berbeda satu sama lain.

Uji Hubungan

Uji hubungan digunakan untuk melihat hubungan antara dua variabel.

Jenis uji yang digunakan bergantung pada jenis variabel yang akan di uji. Jika
kedua variabel memiliki sebaran normal, maka uji hubungan yang digunakan
adalah uji pearson. Jika terdapat salah satu atau kedua variabel memiliki sebaran
data tidak normal, maka uji hubungan yang digunakan adalah uji spearman. Jika
kedua variabel merupakan data kategorik, maka uji hubungan yang digunakan
adalah uji chi-square.
Uji hubungan yang pertama adalah uji pearson. Langkah-langkah untuk
melakukan uji pearson adalah klik analyze, correlate, lalu bivariate. Pindahkan
variabel yang akan dianalisis ke kotak variables. Beri tanda ceklis pada Pearson
dan two tailed. Two tailed dipilih karena masih belum dapat diketahui variabel
dependen dan variabel independennya lalu klik Ok. Contoh hasil uji pearson dapat
dilihat pada Gambar 6.
 Gambar 6 Hasil uji pearson
Nilai yang harus diperhatikan pada uji pearson adalah nilai sig. (2-tailed).
Dalam uji hubungan, jika nilai p<0.05 (nilai sig.2-tailed) maka terdapat korelasi
atau hubungan yang bermakna antara dua variabel. Pada gambar diatas, berat
badan dan BMI memiliki hubungan yang bermakna karena nilai P<0.05 yaitu
0.00.
Uji hubungan yang kedua adalah uji spearman. Langkah-langkah untuk
melakukan uji spearman adalah klik analyze, correlate, lalu bivariate. Pindahkan
variabel yang akan dianalisis ke kotak variables. Beri tanda ceklis pada spearman
lalu klik Ok. Contoh hasil uji spearman dapat dilihat pada Gambar 7.

Gambar 7 Hasil uji spearman

Nilai yang harus diperhatikan pada uji spearman adalah nilai sig. (2-
tailed). Dalam uji hubungan, jika nilai p<0.05 (nilai sig.2-tailed) maka terdapat
korelasi atau hubungan yang bermakna antara dua variabel. Pada gambar diatas,
BMI dan persentase kecukupan energi memiliki hubungan yang bermakna karena
nilai P<0.05 yaitu 0.034.
Uji hubungan yang ketiga adalah uji chi-square. Langkah-langkah untuk
melakukan uji chi-square adalah klik analyze, descriptive statistic, lalu crosstabs.
Pindahkan variabel ke kotak row(s) dan column(s) klik continue lalu Ok. Contoh
hasil uji chi square dapat dilihat pada Gambar 8.
 Gambar 8 Hasil uji chi square
Nilai yang harus diperhatikan pada uji chi-square adalah nilai pearson
chi-square. Dalam uji chi-square, jika nilai p<0.25 (nilai asymp. Sig. 2-sided)
maka terdapat korelasi atau hubungan yang bermakna antara dua variabel. Pada
gambar diatas, pendidikan isteri dan strata pengetahuan gizi ibu memiliki
hubungan yang bermakna karena nilai P<0.05 yaitu 0.034.

Uji Beda

Uji beda digunakan untuk melihat perbedaan antara dua kelompok data
pada sebuah variabel. Terdapat banyak metode yang digunakan untuk melakukan
uji beda. Pada praktikum Analisis Data Pangan dan Gizi hanya 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. Uji beda Mann-
Whitney digunakan ketika akan menguji data non-parametrik khususnya ordinal
yang digunakan untuk membandingkan 2 kelompok data yang tidak berpasangan.
Uji T-test digunakan ketika akan menguji data yang bersifat numerik atau
parametrik yang digunakan untuk membandingkan 2 kelompok data yang tidak
berpasangan. Uji chi-square digunakan untuk melihat perbedaan persentase pada
hubungan antara dua variabel yang keduanya bersifat non-parametrik.
Uji beda yang pertama adalah uji Mann-Whitney. Langkah-langkah
dalam melakukan uji Mann-Whitney adalah pilih analyze, non-parametric test,
lalu 2 independent sample t-test. Pindahkan variabel yang akan dianalisis ke kotak
test variable list dan pindahkan variabel yang berisi kelompok data yang akan
dibedakan 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. Contoh hasil uji Mann-Whitney dapat dilihat pada Gambar 9.
 Gambar 8 Hasil uji Mann-Whitney

Nilai yang harus diperhatikan pada uji Mann-Whitney adalah nilai

Asymp. Sig. (2-tailed). Dalam uji beda, jika nilai p<0.05 (Asymp. Sig. (2-tailed))
maka terdapat perbedaan yang nyata antara dua variabel. Pada gambar diatas,
kebutuhan energi dan kebutuhan protein untuk ibu yang sedang hamil dan tidak
sedang hamil memiliki perbedaan yang signifikan karena nilai P<0.05 yaitu 0.00.
Nilai mean rank pada tabel Ranks dapat digunakan untuk melihat kelompok yang
memiliki nilai lebih tinggi dan lebih rendah. Sebagai contoh, berdasarkan gambar
diatas, ibu yang sedang hamil memiliki kebutuhan energi yang lebih tinggi
dibandingkan dengan ibu yang sedang tidak hamil karena nilai mean rank nya
secara berturut-turut adalah 503.50 dan 249.50.
Uji beda yang kedua adalah T-test. Langkah-langkah dalam melakukan
uji T-test adalah pilih analyze, compare means, lalu independent sample t-test.
Pindahkan variabel yang akan dianalisis ke kotak test variable dan variabel yang
berisi kelompok data yang akan dibedakan ke kotak grouping variable.
Definisikan kelompoknya dengan klik define groups lalu masukkan 1 dan 2 lalu
klik Ok. Contoh hasil uji T-test dapat dilihat pada Gambar 9.

Gambar 9 Hasil uji T-test

Nilai yang harus diperhatikan pada uji T-test adalah nilai sig (2-tailed)
pada baris pertama. Dalam uji beda, jika nilai p<0.05 (sig (2-tailed)) maka
terdapat perbedaan yang nyata antara dua variabel. Pada gambar diatas, persentase
kecukupan energi dan kecukupan protein untuk ibu yang sedang hamil dan tidak
sedang hamil tidak memiliki perbedaan yang signifikan karena nilai P>0.05 yaitu
0.143 dan 0.263.
Uji yang ketiga adalah chi-square. Langkah-langkah melakukan uji chi-
square adalah klik analyze, descriptive statistic, lalu crosstabs. Pindahkan variabel
yang akan dianalisis ke kotak coloumn dan row. Klik statistic dan pilih chi-
square. Klik continue lalu klik ok. Interpretasi dari uji chi-square memiliki
persamaan dengan uji chi-square pada subbab uji hubungan. Contoh hasil uji chi-
square dapat dilihat pada Gambar 10.

Gambar 10 Hasil uji chi-square

Analisis Regresi

Analisis regresi terbagi menjadi dua yaitu analisis regresi linear dan
analisis regresi logistik. Regresi linear berfungsi untuk melihat pengaruh antara
variabel independent dan variabel dependent. Uji regresi logistik adalah analisis
multivariate untuk mengetahui faktor resiko dari sebuah variabel.
Analisis regresi yang pertama adalah analisis regresi linear. Langkah-
langkah yang dilakukan adalah analyze, regression, lalu linier. Pindahkan variabel
yang mempengaruhi ke kotak independent dan pindahkan variabel yang
dipengaruhi ke kotak dependent. Langkah selanjutnya adalah klik Ok. Contoh
hasil regresi linier dapat dilihat pada Gambar 11.

Gambar 11 Hasil uji regresi linear

 Pada analisis regresi linear, nilai yang harus diperhatikan adalah nilai R
square pada tabel model summary dan nilai B pada tabel coefficients. Nilai R
menunjukkan kekuatan pengaruh dan nilai B menunjukkan signifikansi pengaruh
dari variabel independen terhadap variabel dependen. Variabel independen
memiliki pengaruh yang sangat kuat ketika nilai R mendekati 1. Nilai B<0.05
menunjukkan adanya pengaruh yang nyata atau signifikan antara variabel
independen terhadap variabel dependen.
Uji regresi yang kedua adalah uji regresi logistik. Pada uji regresi
logistik, variabel independennya sebaiknya berupa kategorik karena akan
memudahkan interpretasi hasil analisis. Langkah awal dari regresi logistik adalah
merubah variabel independen menjadi kategorik dengan mengelompokkan
variabel menjadi 2 kelompok seperti ya atau tidak. Sebagai contoh adalah variabel
obesitas dikelompokkan menjadi 0=tidak obesitas dan 1=obesitas. Pemberian
nomor kelompok harus konsisten untuk semua variabel, misalnya 0 untuk yang
tidak beresiko dan 1 untuk yang 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. Pindahkan variabel yang
dipengaruhi ke kotak dependent dan variabel yang mempengaruhi 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. Contoh hasil regresi logistik dapat dilihat
pada Gambar 12.

Gambar 12 Hasil uji regresi logistik

Nilai yang harus diperhatikan pada regresi logistik adalah Nagelkerke R
Square pada tabel model summary dan nilai Sig dan Exp(B) pada tabel Variables
in the Equation. Jika nilai Nagelkerke R Square memiliki nilai mendekati 1, maka
faktor resiko tersebut sangat kuat dalam mempengaruhi variabel dependen nya.
Faktor resiko dan variabel dependen memiliki hubungan yang signifikan jika nilai
p<0.05 (nilai sig). Parameter terakhir adalah Exp(B). Interpretasi dari nilai Exp(B)
adalah ketika nilai Exp(B) mendekati 1, maka data tersebut dapat dipercaya.