LAPORAN UAS KOMPUTER

Nama :bayu aulia rahman NIM : 092113912 2 Berdasarkan angka NIM terakhir saya, maka file yang akan diolah adalah [GENAP] 3 File hasil eksport Epidata ke SPSS berekstensi [.sps]dengan nama file [bayu aulia rhman \GENAP] 4 File syntax [GENAP]dieksport ke SPSS dan disimpan dengan nama [bayu aulia rahman ]dan ekstensi [SPSS (*.sav)] 5 File data [bayu aulia rahman] berisi [39] field dan [8390] record. Data kategorik sebanyak [16] field dan data numerik sebanyak [23]field 6 Simpan file syntax dengan nama yang sama dengan file data. Pastekan disini sintax tentang ADD VALUE LABELS variabel didik, kerja, pernah, ukurtb, fundus, tensi, tfe, tt, akseptor, ksepsi alasan, dan rencana ADD VALUE LABELS kerja 1 'PNS' 2 'Swasta' 3 'Wiraswasta' 4 'Pedagang' 5 'Buruh/T/N' 6 'Lain2'. ADD VALUE LABELS didik 0 'BH/SD' 2 'SLTP' 3 'SLTA' 4 'P.Tinggi'. ADD VALUE LABELS sex 1 'Laki-laki' 2 'Perempuan'. ADD VALUE LABELS Pernah 1 'Pernah' 2 'Tidak'. ADD VALUE LABELS Fundus 0 'Tidak' 1 'Ya'. ADD VALUE LABELS Ukurtb 0 'Tidak' 1 'Ya'. ADD VALUE LABELS Tensi 0 'Tidak' 1 'Ya'. ADD VALUE LABELS Tfe 0 'Tidak' 1 'Ya'. ADD VALUE LABELS tt 0 'Tidak' 1 'Ya'. ADD VALUE LABELS Akseptor 0 'Tidak' 1 'Ya'. ADD VALUE LABELS Ksepsi 1 'IUD' 2 'Kondom' 3 'Pil' 4 'Susuk' 5 'Lain2'. ADD VALUE LABELS Alasan 1 'Masih Ingin Punya Anak' 2 'Dilarang Suami' 3 'Tdk Sesuai Keyakinan' 4 'Lain2'. ADD VALUE LABELS rencana 1 'RS/RSB' 2 'PKM' 3 'Nakes' 4 'Dukun' 5 'Lain2'. NO.7 Catat disini jumlah record sebelum didelete [8390] record dan sesudah didelete yang missing tersisa [8382] record NO.8 Jumlah field sebelum kerja yg missing adalah [8382] dan setelah field erja dicleaning adalah [8380] record NO.9 Jumlah record sebelum di delete sistol yang missing adalah sebanyak [8380] record dan setelah dilakukan penghapusan field sistol yang missing tersisa [6444] record NO.10 Jumlah record sebelum di delete diastol yang missing adalah sebanyak [6444] record dan setelah dilakukan penghapusan field diastol yang missing tersisa [5936] record. 2 digit terakhir NIM saya adalah : [12] 1 digit terakhir adalah : ____2____ Ganjil/Genap NO. 13 Genap Jumlah record tersisa setelah di delete sebanya 50 record mulai dari 2 digit NIM adalah [5883] record NO.14 Pastekan output tabel distribusi frekuensi tersebut dalam lembar jawaban disini, berserta komentar singkat di bawah tabel Pendidikan Ibu Frequency Percent Valid Percent Cumulative Percent Valid BH/SD 158 2.7 2.7 2.7 SLTP 588 10.0 10.0 12.8 SLTA 2547 43.3 43.3 56.1 P.Tinggi 2589 42.9 42.9 100.0 5 1 .0 .0 100.0 Total 5883 100.0 100.0 Komentar : Berdasarkan tabel distribusi frekuensi pendidikan diatas dapat disimpulkan bahwa yang memiliki persen tertinggi yaitu sebanyak 42,9% adalah perguruan tinggi, sedangkan persen terendah yaitu sebanyak 2,7% adalah pendidikan SD. NO.15 Pastekan disini syntax transformasi field didik, kemudian pastekan hasil distribusi frekuensinya di bawah syntax yang bersangkutan, disertai komentar * Penyederhanaan Kategori Pendidikan . RECODE DIDIK (0=1) (2=1) (3=2) (4=2) INTO didik2 . VARIABLE LABELS didik2 'Pendidikan Ibu 2 Kategorik'. ADD VALUE LABELS didik2 1 'Rendah' 2 'Tinggi' . EXECUTE . Pendidikan Ibu 2 Kategorik Frequency Percent Valid Percent Cumulative Percent Valid Rendah 753 12.8 12.8 12.8 Tinggi 5129 87.2 87.2 100.0 Total 5 100.0 100.0 Missing System 1 .0 Total 5883 100.0 Komentar : Berdasarkan tabel distribusi frekuensi pendidikan ibu 2 kategorik terdapat 1 Missing System Pendidikan Ibu 2 Kategorik Frequency Percent Valid Percent Cumulative Percent Valid Rendah 753 12.8 12.6 12.6 Tinggi 5129 87.2 87.2 100.0 Total 5882 100.0 100.0 Komentar : Setelah dilakukan cleaning data terhadap didik2, jumlah record sebelum didelete 5883 dan jumlah record setelah didelete adalah 5882. Kesimpulan : Berdasarkan tabel distribusi frekuensi pendidikan ibu 2 kategorik dapat disimpulkan bahwa persen tertinggi sebanyak 87,2% adalah pendidikan tinggi. NO.16 Laporkan perubahan jumlah record sebelum dan sesudah melakukan cleaning masing untuk 5 field yang Anda cleaning 1. Jumlah record sebelum di delete darah yang missing adalah sebanyak [5882] record dan setelah dilakukan penghapusan field darah yang missing tersisa [5882] record. 2. Jumlah record sebelum di delete pernah yang missing adalah sebanyak [5882] record dan setelah dilakukan penghapusan field pernah yang missing tersisa [5881] record. 3. Jumlah record sebelum di delete akseptor yang missing adalah sebanyak [5881] record dan setelah dilakukan penghapusan field akseptor yang missing tersisa [5873] record. 4. Jumlah record sebelum di delete alasan yang missing adalah sebanyak [5873] record dan setelah dilakukan penghapusan field alasan yang missing tersisa [1593] record. 5. Jumlah record sebelum di delete rencana yang missing adalah sebanyak [1593] record dan setelah dilakukan penghapusan field rencana yang missing tersisa [1590] record. NO.17 Laporkan perubahan data sebelum dan sesudah cleaning data 3 variabel tsb (Hb, TB dan BB). Jumlah record dibuat masing-masing field yang dicleaning. 1. Jumlah record sebelum di delete HB yang missing adalah sebanyak [1590] record dan setelah dilakukan penghapusan field HB yang missing tersisa [1584] record. 2. Jumlah record sebelum di delete TB yang missing adalah sebanyak [1584] record dan setelah dilakukan penghapusan field TB yang missing tersisa [1568] record. 3. Jumlah record sebelum di delete BB yang missing adalah sebanyak [1568] record dan setelah dilakukan penghapusan field BB yang missing tersisa [1559] record. NO.18 Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi (record inconsistensi harus didelete) Langkah-langkah : 1. Pada file data, pilih analyze, descriptive statistic, klik crosstabs 2. Dalam rows, masukan [kali], dalam colom, masukkan [pernah] 3. Pada output akan tampil tabel, dan terdapat missing system 4. Sort field pernah memeriksakan kehamilan [pernah] dengan frekuensi pemeriksaan kehamilan [kali] dengan sort order descending 5. Jika pada field [pernah] ada angka 1 maka pada field [kali] akan ada frekuensi minimal 1, tak ada satupun yang kosong, maka clear data apabila terdapat yang kosong pada field [kali] 6. Jika pada field [pernah] ada angka 2 maka pada field [kali] harus kosong, maka clear data apabila terdapat yang berisi angka atau tidak kosong. Jumlah record sebelum di delete adalah sebanyak [1559] record dan setelah dilakukan penghapusan field hubungan [pernah] dengan [kali] yang missing tersisa [1516] record. NO.19 Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi bila ada recor yang didelete Langkah-langkah : 1. Pada file data, pilih analyze, descriptive statistic, klik crosstabs 2. Dalam rows, masukan 5T, dalam colom, masukkan [pernah] 3. Pada output akan tampil tabel dan terdapat missing system 4. Sort field pernah memeriksakan kehamilan [pernah] dengan 5T dengan sort order ascending 5. Clear data yang tidak pernah memeriksakan kehamilan Jumlah record sebelum di delete adalah sebanyak [1516] record dan setelah dilakukan penghapusan field [pernah] dengan 5T yang missing tersisa [1396] record. NO.20 Tuliskan langkah-langkah melakukan cleaning data untuk mengecek konsistensi ini dan tulis juga perubahan record yang terjadi (record inconsistensi harus didelete) Langkah-langkah : 1. Pada file data, pilih analyze, descriptive statistic, klik crosstabs 2. Dalam rows, masukan kontrasepsi dan alasan, dalam colom, masukkan [akseptor] 3. Pada output akan tampil tabel dan terdapat missing system 4. Sort field pernah akseptor dengan kontrasepsi dan alasan dengan sort order ascending 5. Clear data apabila : tidak menggunakan akseptor tapi mengisi kontrasepsi, menggunakan akseptor tapi mengisi alasan. Jumlah record sebelum di delete adalah sebanyak [1396] record dan setelah dilakukan penghapusan field [akseptor] dengan kontrasepsi dan alasan yang missing tersisa [1331] record. NO.21 Pastekan semua syntax yang berhubungan dengan compute IMT dan pengkategoriannya disini, kemudian paste-kan output frekuensi kategori IMT yang sudah Anda buat dengan disertai komentar seperlunya di bawah masing-masing tabel output. *Perhitungan IMT Ibu Hamil . COMPUTE IMTi = bb / ((tb/ 100) * (tb/ 100)) . VARIABLE LABELS IMTi 'IMT ibu hamil' . EXECUTE . *Perhitungan IMT anak . COMPUTE IMTa = weight / ((height/ 100) * (height/ 100)) . VARIABLE LABELS IMTa 'IMT anak balita' . EXECUTE . *Pengelompokkan IMT Ibu Hamil . RECODE IMTi (Lowest thru 16.999=1) (17.0 thru 18.49999=2) (18.5 thru 25.00=3) (25.001 thru 27.0=4) (27.001 thru Highest=5) INTO IMTi5 . VARIABLE LABELS IMTi5 'IMT ibu hamil'. ADD VALUE LABELS IMTi5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas' . EXECUTE . *Pengelompokka IMT anak . RECODE IMTa (Lowest thru 16.999=1) (17.0 thru 18.49999=2) (18.5 thru 25.00=3) (25.001 thru 27.0=4) (27.001 thru Highest=5) INTO IMTa5 . VARIABLE LABELS IMTa5 'IMT anak dalam 5 kategori'. ADD VALUE LABELS IMTa5 1 'Sangat Kurus' 2 'Kurus' 3 'Normal' 4 'Gemuk' 5 'Obesitas' . EXECUTE . *Pengelompokkan IMT ibu hamil dalam 3 kategori . RECODE IMTi5 (1=1) (2=1) (3=2) (4=3) (5=3) INTO IMTi3K . VARIABLE LABELS IMTi3K 'IMT ibu dalam 3 kategori'. ADD VALUE LABELS IMTi3K 1 'Kurang' 2 'Normal' 3 'Lebih' . EXECUTE . *Pengelompokkan IMT anak dalm 3 Kategori . RECODE IMTa5 (1=1) (2=1) (3=2) (4=3) (5=3) INTO IMTa3K . VARIABLE LABELS IMTa3K 'IMT anak dalam 3 Kategori'. ADD VALUE LABELS IMTa3K 1 'Kurang' 2 'Normal' 3 'Lebih' . EXECUTE . IMT ibu hamil 5 Kategorik Frequency Percent Valid Percent Cumulative Percent Valid Sangat Kurus5 .4 .4 .4 Kurus 32 2.4 2.4 2.8 Normal 1212 91.0 91.0 93.8 Gemuk 62 4.6 4.6 98.5 Obesitas20 1.5 1.5 100.0 Total 1331 100.0 100.0 Kesimpulan : berdasarkan tabel distribusi frekuensi IMT ibu hamil 5 kategorik didapat kesimpulan, persen tertinggi yaitu 91% adalah normal. IMT anak dalam 5 kategori Frequency Percent Valid Percent Cumulative Percent Valid SangatKuru831 62.4 62.4 62.4 Kurus 123 9.3 9.3 71.8 Normal 298 22.4 22.4 94.2 Gemuk 17 1.3 1.3 95.4 Obesitas 62 4.6 4.6 100.0 Total 1331 100.0 100.0 Kesimpulan : berdasarkan tabel distribusi frekuensi IMT anak 5 kategorik didapat kesimpulan, persen tertinggi yaitu 62,4% adalah sangat kurus. IMT ibu dalam 3 kategori Frequency Percent Valid Percent Cumulative Percent Valid Kurang 37 2.8 2.8 2.8 Normal 1212 91.0 91.0 93.8 Lebih 82 6.2 6.2 100.0 Total 1331 100.0 100.0 Kesimpulan : berdasarkan tabel distribusi frekuensi IMT ibu 3 kategorik didapat kesimpulan, persen tertinggi yaitu 91% adalah normal. IMT anak dalam 3 Kategori Frequency Percent Valid Percent Cumulative Percent Valid Kurang 955 71.8 71.8 71.8 Normal 298 22.4 22.4 94.2 Lebih 78 5.8 5.8 100.0 Total 1331 100.0 100.0 Kesimpulan : berdasarkan tabel distribusi frekuensi IMT anak 3 kategorik didapat kesimpulan, persen tertinggi yaitu 71,8% adalah kurang. 1. Tujuan penelitian: untuk mengetahui hubungan antara pendidikan dengan pekerjaan yang dimiliki responden a. Identifikasi variabel dalam tujuan : Variabel independen adalah tingkat pendidikan ibu dan Variabel dependen adalah jenis pekerjaan ibu b. Identifikasi field dalam database : Tingkat pendidikan ibu fieldnya adalah didik dan Jenis pekerjaan ibu fieldnya adalah kerja c. Karakteristik field : field Didik adalah data kategorik dan field Kerja adalah data kategorik d. Tentukan jenis uji, teori yg relevans dan H0 pengujian : ujinya adalah uji beda proporsi (Chi Squre). Makin tinggi tingkat pendidikan makin tinggi pekerjaan ibu. HO pengujian : tidak ada perbedaan proporsi ibu yang memiliki perkejaan antara ibu yang tamat SD,SLTP,SLTA dan Perguruan Tinggi. e. Uji normality : – f. Lakukan pengujian, baca hasil, dan interpretasikan Chi-Square Tests Value Df Asymp. Sig. (2-sided) Pearson Chi-Square 2.063E3a 15 .000 Likelihood Ratio 724.161 15 .000 Linear-by-Linear Association 270.586 1 .000 N of Valid Cases 1331 a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 5.35. P = 0,000 P < 0,05 H0 ditolak g. Kesimpulan : ada perbedaan proporsi ibu yang memiliki pekerjaan antara ibu yang tamat SD, SLTP,SLTA dan Perguruan Tinggi 2. Tujuan Penelitian : untuk mengetahui hubungan antara pekerjaan ibu dengan alat kontrasepsi yang dipilih Ibu untuk ber-KB a. Identifikasi variabel dalam tujuan : Variabel independen adalah pekerjaan ibu dan Variabel dependen adalah alat kontrasepsi yang dipilih Ibu untuk ber-KB b. Identifikasi field dalam database : Pekerjaan Ibu fieldnya adalah kerja dan alat kontrasepsi yang dipilih ibu untuk ber-KB fieldnya adalah ksepsi c. Karakteristik field : field kerja adalah data kategorik dan field ksepsi adalah data kategorik d. Tentukan jenis uji, teori yg relevans dan H0 pengujian : ujinya adalah uji beda proporsi (Chi Squre). Makin tinggi tingkat pekerjaan makin bagus alat kontrasepsi yang dipilih ibu untuk ber-KB. HO pengujian : tidak ada perbedaan proporsi ibu yang memilih kontrasepsi antara ibu yang PNS, Swasta, Wiraswasta, Pedagang dan Buruh. e. Uji normality : – f. Lakukan pengujian, baca hasil, dan interpretasikan Tidak dapat melakukan uji terhadap field kerja dengan ksepsi dikarenakan data habis atau kosong disebabkan cleaning data yang missing. 3. Tujuan penelitian: untuk mengetahui hubungan antara pemberian tablet Fe dengan kadar hemoglobin dalam darah a. Identifikasi variabel dalam tujuan : Variabel independen adalah pemberian tablet Fe dan Variabel dependen adalah kadar hemoglobin dalam darah b. Identifikasi field dalam database : Pemberian tablet Fe fieldnya adalah TFE dan Kadar hemoglobin darah fieldnya adalah HB c. Karakteristik field : field TFE adalah data kategorik dan field HB adalah data numerik d. Tentukan jenis uji, teori yg relevans dan H0 pengujian : ujinya adalah uji beda rata-rata karenan datanya bersifat numerik dan kategorik. HO pengujian : tidak ada beda rata-rata antara pemberian tablet fe dengan kadar hb ibu responden e. Uji normality Test normality : TN (Tidak Normal) Histogram : TN (Tidak Normal) Stem and Leaf plots : TN (Tidak Normal) Uji normal q-q : Normal Detrended normal q-q : TN (Tidak Normal) Boxplots : TN (Tidak Normal) Data tidak normal dan harus dilakukan uji man whitney karena data kategorik 2 kelompok. f. Lakukan pengujian, baca hasil, dan interpretasikan Rank Pemberian Tablet Fe mean rank Sum of Ranks Kadar HB (g/dl) Tidak 250 756.59 219412.50 Ya 1081 659.88 706067.50 Total 1331 Test Statisticsa Kadar HB (g/dl) Mann-Whitney U 133082.500 Wilcoxon W 706067.500 Z -3.803 Asymp. Sig. (2-tailed) .000 a. Grouping Variable: Pemberian Tablet Fe P = 0,000 P < 0,05 H0 ditolak g. Kesimpulan : ada beda rata-rata antara pemberian tablet fe dengan kadar hb ibu responden 4. Tujuan penelitian: untuk mengetahui hubungan antara pendidikan dengan frekuensi pemeriksaan kehamilan a. Identifikasi variabel dalam tujuan : Variabel independen adalah pendidikan Ibu dan Variabel dependen adalah frekuensi pemeriksaan kehamilan b. Identifikasi field dalam database : Pendidikan Ibu fieldnya adalah didik dan frekuensi pemeriksaan kehamilan fieldnya adalah kali c. Karakteristik field : field didik adalah data kategorik dan field kali adalah data numerik d. Tentukan jenis uji, teori yg relevans dan H0 pengujian : ujinya adalah uji beda rata-rata karenan datanya bersifat numerik dan kategorik. HO pengujian : tidak ada beda rata-rata antara tingkat pendidikan dengan frekuensi pemeriksaan kehamilan e. Uji normality Test of normlity : TN (Tidak Normal) Normal Q-Q : TN (Tidak Normal) Data tidak normal maka dilakukan uji kruscal walis f. Lakukan pengujian, baca hasil, dan interpretasikan Ranks Pendidikan Ibu N Mean Rank Frekuensi Pemerksaan Kehamilan BH/SD 68 655.32 BH\/SD 39 655.32 SLTP 150 619.22 SLTA 681 650.21 P.Tinggi461 750.24 Total 1331 Test Statisticsa,b Frekuensi Pemerksaan Kehamilan Chi-Square 33.128 Df 5 Asymp. Sig. .000 a. Kruskal Wallis Test b. Grouping Variable: Pendidikan Ibu g. Kesimpulan : ada hubungan rata-rata antara pendidikan ibu dengan frekuensi pemeriksaan kehamilan. 5. Tujuan penelitian: Untuk mengetahui hubungan antara umur ibu dengan tekanan darah sistolik a. Identifikasi variabel dalam tujuan : Variabel independen adalah umur ibu dan Variabel dependen adalah tekanan darah sistolik b. Identifikasi field dalam database : Umur Ibu fieldnya adalah umur dan tekanan darah sistolik fieldnya adalah sistol c. Karakteristik field : field umur adalah data numerik dan field sistol adalah data numerik d. Tentukan jenis uji, teori yg relevans dan H0 pengujian : ujinya adalah uji beda rata-rata karenan datanya bersifat numerik dan numerik. HO pengujian : ada beda korelasi antara umur ibu dengan tekanan darah sistolik e. Uji normality Test of normality : TN (Tidak Normal) Normal q-q : TN (Tidak Normal) Detrended normal q-q : TN (Tidak Normal) Data tidak normal maka dilakukan analisa spearman f. Lakukan pengujian, baca hasil, dan interpretasikan Correlations Umur Ibu (tahun) TD Sistolik Spearman's rho Umur Ibu (tahun) Correlation Coefficient 1.000 .079** Sig. (1-tailed) . .002 N 1356 1356 TD Sistolik Correlation Coefficient .079** 1.000 Sig. (1-tailed) .002 . N 1356 1360 **. Correlation is significant at the 0.01 level (1-tailed). Dari hasil diatas diperoleh nilai significancy 0,002 yang berari bahwa korelasi antara umur ibu dengan dengan tekanan darah sistolik adalah bermaknadengan nilai korelasi spearman adalah 0,079 menunjukkan bahwa arah korelasi positif dengan kekuatan lemah. H0 ditolak g. Kesimpulan : ada beda korelasi antara umur ibu dengan tekanan darah sistolik. PENGOLAHAN STATUS GIZI MENGGUNAKAN SOFTWARE WHO ANTHRO 2005 • Transformasi data untuk membuat klasifikasi status gizi 3 indeks yang tersedia datanya (BB/TB, TB/U dan BB/U) • prevalensi status gizi dengan perintah frequencies Status Gizi (BB/TB) Frequency Percent Valid Percent Cumulative Percent Valid Sangat Kurus249 20.5 20.5 20.5 Kurus 76 6.2 6.2 26.7 Normal 566 47.6 47.6 74.3 Gemuk 375 25.7 25.7 100.0 Total 1266 100.0 100.0 Status Gizi (TB/U) Frequency Percent Valid Percent Cumulative Percent Valid Sangat Pendek364 28.2 28.2 28.2 Pendek 100 7.7 7.7 35.9 Normal 590 46.5 46.5 82.4 Tinggi 210 17.6 17.6 100.0 Total 1264 100.0 100.0 Status Gizi (BB/U) Frequency Percent Valid Percent Cumulative Percent Valid Gizi Buruk 261 21.0 21.0 21.0 Gizi Kurang 86 6.7 6.7 27.6 Gizi Baik 645 57.6 57.6 85.2 Gizi Lebih 191 14.8 14.8 100.0 Total 1293 100.0 100.0 • prevalensi sifat masalah gizi (akut&kronis, kronis, akut, dan normal) 17 Sifat Masalah Gizi Frequency Percent Valid Percent Cumulative Percent Valid 1 121 9.5 9.5 9.5 2 31 2.4 2.4 11.9 3 52 4.1 4.1 16.0 4 83 6.5 6.5 22.5 5 7 .5 .5 23.0 6 30 2.3 2.3 25.4 7 38 3.0 3.0 28.3 8 79 6.2 6.2 34.5 9 336 26.3 26.3 60.8 10 45 3.5 3.5 64.4 11 106 8.3 8.3 72.7 12 5 .4 .4 73.1 13 24 1.9 1.9 74.9 14 88 6.9 6.9 81.8 15 113 8.8 8.8 90.7 16 94 7.4 7.4 98.0 17 25 2.0 2.0 100.0 Total 1277 100.0 100.0 Sifat Akut dan Kronis Frequency Percent Valid Percent Cumulative Percent Valid Akut&Kronis 113 8.8 8.8 8.8 Kronis 258 20.2 20.2 29.1 Akut 143 11.2 11.2 40.3 Normal 763 59.7 59.7 100.0 Total 1277 100.0 100.0

UJI ANOVA ,DAN UJI BEDA RATA – RATA

         

         Ada 3 jenis analisis data : univariat, bivariat dan multivariat. Bivariat berarti 2 variabel. Dalam posisi kerangka konsep penelitian, 2 variabel tersebut menempati posisi 1 variabel sebagai variabel independen (mempengaruhi) dan 1 variabel sebagai dependen variabel (variabel terpengaruh). Dalama analisis dua sisi (2 side) tidak dapat ditentukan mana variabel independen dan mana variabel dependen. Peneliti sendiri yang menterjemahkan variabel tersebut. Analisis data menggunakan komputer, bila kedua variabel tersebut diputar - letakkan, maka hasilnya akan sama (bukti).

        Berdasarkan bentuk data (kategorik/numerik), maka ada 4 kemungkinan pasangan variabel yang akan diuji dalam analisis bivariate, yaitu :

1. Kategoriikk - kategorik
2. Kategorik - numerik
3. Numerik - kategorik, dan
4. Numerik - numerik

       Oleh karena arah pengujian dalam analisis 2 sisi tidak dapat ditentukan, maka jenis ketiga dan keempat ujinya sama.. Untuk uji kategorik-kategorik disebut uji beda proporsi, untuk uji no.2 dan 3 disebut uji beda rata-rata, dan uji keempat uji korelasi bivariat. Uji beda rata-rata terbagi 2 jenis : jika 2 rata-rata uji t-test dan apabila lebih dari 2 rata uji Anova.

         Pengujian / analisis data mengacu kepada tujuan penelitian. Dengan demikian, analisis data adalah sebuah upaya menggunakan statistik untuk menjawab tujuan penelitian. Ada beberapa langkah melakukan pengujian data yang mengacu kepada tujuan penelitian pada uji bivariate. Langkah-langkah pengujian ini disusun oleh penulis untuk memperkuat pemahaman bahwa statistik hanyalah sebuat alat bantu untuk mengambil keputusan atau kesimpulan. Artinya, tanpa statistik sebenarnya kesimpulan bisa diambil. Akan tetapi  untuk lebih meyakinkan atau apabila secara visuals sulit mengambil kesimpulan, maka digunakanlah statistik (uji). Dengan kata lain pemilihan jenis uji statistik disesuaikan dengan bentuk data, bukan sebaliknya data yang menyesuaikan dengan uji yang akan digunakan. Pada penjelasan berikut ini, tujuan penelitian sudah ada sebelumnya (pada proposal penelitian).

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

      Uji Beda 2-Rata-rata (t-test)

1.1. Pengertian                                                                                   

           Di bidang kesehatan sering kali kita harus membuat kesimpulan apakah suatu intervensi berhasil atau tidak. Untuk mengukur keberhasilan tersebut kita harus melakukan uji untuk melihat apakah parameter (rata-rata) dua populasi tersebut berbeda atau tidak. Misalnya, apakah ada perbedaan rata-rata tekanan darah populasi intervensi (kota) dengan populasi kontrol (desa). Atau, apakah ada perbedaan rata-rata berat badan antara sebelumdengan sesudah mengikuti program diet. Sebelum kita melakukan uji statistik dua kelompok data, kita perlu perhatikan apakah dua kelompok data tersebut berasal dari dua kelompok yang independen atau berasal dari dua kelompok yang dependen/berpasangan. Dikatakan kedua kelompok data independen bila populasi kelompok yang satu tidak tergantung dari populasi kelompok kedua, misalnya membandingkan rata-rata tekanan darah sistolik orang desa dengan orang kota. Tekanan darah orang kota adalah independen (tidak tergantung) dengan orang desa. Dilain pihak, dua kelompok data dikatakan dependen/pasangan bila datanya saling mempunyai ketergantungan, misalnya data berat badan sebelum dan sesudah mengikuti program diet berasal dari orang yang sama (data sesudah dependen/tergantung dengan data sebelum).

         Konsep Uji Beda Dua Rata-rata

        Uji beda rata-rata dikenal juga dengan nama uji-t (t-test ).  Konsep dari uji beda rata-rata adalah membandingkan nilai rata-rata beserta selang kepercayaan tertentu (confidenceinterval) dari dua populasi. Prinsip pengujian dua rata-rata adalah melihat perbedaan variasikedua kelompok data. Oleh karena itu dalam pengujian ini diperlukan informasi apakah varian kedua kelompok yang diuji sama atau tidak. Varian kedua kelompok data akan berpengaruh pada nilai standar error yang akhirnya akan membedakan rumus pengujiannya.Dalam menggunakan uji-t ada beberapa syarat yang harus dipenuhi. Syarat/asumsi utama yang harus dipenuhi dalam menggunakan uji-t adalah data harus berdistribusi normal.Jika data tidak berdistribusi normal, maka harus dilakukan transformasi data terlebih dahulu untuk menormalkan distribusinya. Jika transformasi yang dilakukan tidak mampu.  menormalkan distribusi data tersebut, maka uji-t tidak valid untuk dipakai, sehingga disarankan untuk melakukan uji non-parametrik seperti Wilcoxon (data berpasangan) atauMann-Whitney U (datindependen).Berdasarkan karakteristik datanya maka uji beda dua rata-rata dibagi dalam dua kelompok, yaitu: uji beda rata-rata independen dan uji beda rata-rata berpasangan.

Ø  Aplikasi Uji-t Dependen pada Data Berpasangan

         Uji-t untuk data berpasangan berarti setiap subjek diukur dua kali. Misalnya sebelum dan sesudah dilakukannya suatu intervensi atau pengukuran yang dilakukan terhadap pasangan orang kembar. Dalam contoh ini akan membandingkan data sebelum dengan sesudah intervensi. Dalam BAYI95.SAV sudah ada data berpasangan yaitu pengukuran berat badan ibu yang dilakukan sebelum hamil. Sebelum merencanakan kehamilan, subjek melakukan penyesuaian diet (mengikuti program makanan tambahan) selama 2 bulan.Pengukuran berat badan yang pertama (BBIBU_1) dilakukan sebelum kegiatan penyesuaian diet dilakukan, dan pengukuran berat badan yang kedua (BBIBU_2) dilakukan setelah dua bulan menjalani penyesuaian diet.Kita akan melakukan uji hipotesis untuk menilai apakah ada perbedaan berat badan ibu antara sebelum dengan sesudah mengikuti program diet, langkah-langkahnya sebagaiberikut.1. Bukalah file BAYI95.SAV, sehingga data tampak di Data editor window.

2. Dari menu utama, pilihlah: (pada SPSS 10.0)

     < Compare Mean

     < Paired-Sample T-test

 3.Pilih variabel BBIBU_1 danBBIBU_2

dengan cara mengklik masing-masing variable tersebut.

 Kemudian klik tanda

     <untuk memasukkannya ke dalam kotak Paired-Variables.

4. Pada menu “

      Options

  pilihlah derajat kepercayaan yang diinginkan, misalnya 95%.Kemudian pilih

      Continue

     Klik OK

Ø  Aplikasi Uji-t pada Data Independen

         Uji-t untuk data independen dilakukan terhadap dua kelompok data yang tidak saling berkaitan antara satu dengan lainnya. Misalnya membandingkan kelompok intervensi dengan kelompok kontrol atau kelompok ibu-ibu perokok dengan ibu-ibu bukan perokok adalah dua kelompok yang tidak saling berkaitan.Pada analisis ini kita akan melihat apakah ada perbedaan berat bayi yang lahir dari ibu perokok dengan bayi yang lahir dari ibu bukan perokok. Kita akan melakukan uji hipotesis apakah ada perbedaan rata-rata berat bayi yang lahir dari ibu bukan perokok dengan rata-rata berat bayi yang lahir dari ibu perokok, dengan langkah-langkah sebagai berikut.1. Bukalah file BAYI95.SAV, sehingga data tampak di Data editor window.2.

       

 UJI ANALISIS VARIANSI (ANOVA)
Beberapa asumsi yang harus dipenuhi pada uji Anova adalah:

1. Sampel berasal dari kelompok yang independen
2. Varian antar kelompok harus homogen
3. Data masing-masing kelompok berdistribusi normal

         Asumsi pertama harus dipenuhi pada saat pengambilan sampel yang dilakukan secara random terhadap beberapa (> 2) kelompok yang independen, yang mana nilai pada satu kelompok tidak tergantung pada nilai di kelompok lain. Sedangkan pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika data telah dimasukkan ke komputer, jika asumsi ini tidak terpenuhi dapat dilakukan transformasi terhadap data. Apabila proses transformasi tidak juga dapat memenuhi asumsi ini maka uji Anova tidak valid untuk dilakukan, sehingga harus menggunakan uji non-parametrik misalnya Kruskal Wallis.

       Uji Anova pada prinsipnya adalah melakukan analisis variabilitas data menjadi dua sumber variasi yaitu variasi didalam kelompok (within) dan variasi antar kelompok (between). Bila variasi within dan between sama (nilai perbandingan kedua varian mendekati angka satu), maka berarti tidak ada perbedaan efek dari intervensi yang dilakukan, dengan kata lain nilai mean yang dibandingkan tidak ada perbedaan. Sebaliknya bila variasi antar kelompok lebih besar dari variasi didalam kelompok, artinya intervensi tersebut memberikan efek yang berbeda, dengan kata lain nilai mean yang dibandingkan menunjukkan adanya perbedaan.

Berdasarkan banyaknya variable bebas-nya, Analisis Variansi Univariate dibagi menjadi tiga kelompok yaitu

1.      Analisis Variansi Univariate Satu Jalan

Analisis ini digunakan jika suatu eksperimen mempunyai satu variable terikat dan satu variabel bebas

2.      Analisis Variansi Univariate Dua Jalan

Analisis ini digunakan jika suatu eksperimen mempunyai satu variable terikat dan dua variabel bebas

3.      Analisis Variansi Univariate Tiga Jalan

Analisis ini digunakan jika suatu eksperimen mempunyai satu variable terikat dan tiga variabel bebas

Berdasarkan banyaknya variable bebas-nya, Analisis Variansi Multivariate juga dibagi menjadi 3 bagian yaitu

1.      Analisis Variansi Multivariate Satu Jalan

Analisis ini digunakan jika suatu eksperimen mempunyai lebih dari satu variable terikat dan satu variabel bebas

2.      Analisis Variansi Multivariate Dua Jalan

Analisis ini digunakan jika suatu eksperimen mempunyai lebih dari satu variable terikat dan dua variabel bebas

3.      Analisis Variansi Multivariate Tiga Jalan

Analisis ini digunakan jika suatu eksperimen mempunyai lebih dari satu variable terikat dan tiga variabel bebas

Rumus uji Anova adalah sebagai berikut :
DF = Numerator (pembilang) = k-1,  Denomirator (penyebut) = n-k
Di mana varian between :

Dimana rata-rata gabungannya :



Sementara varian within :



KETERANGAN :
Sb = varian between
Sw = varian within
Sn2 = varian kelompok
X = rata-rata gabungan
Xn = rata-rata kelompok
Nn = banyaknya sampel pada kelompok
k = banyaknya kelompok

 

 Besral, FKM UI, 2010 Modul SPSS

Pengolahan

dan

 Analisa

Data

‐

1,

Hal:

56

dari