KATA PENGANTAR. Penulis

Transkripsi

1

2

3

4

5 KATA PENGANTAR Puji dan Syukur kepada Tuhan Yang Maha Esa penulis haturkan, atas terselesaikannya Buku Ajar yang berjudul Analisis Data Penelitian Kesehatan Dengan SPSS. Analisis data dalam penelitian kesehatan sangatlah penting dikarenakan dengan analisis data penelitian yang tepat maka hasil penelitian akan akurat. Data penelitian kesehatan akan lebih mudah dilakukan analisis dengan program SPSS (Statistical Package for the Social sciences). Data penelitian yang mentah akan menjadi suatu informasi yang akurat dan berguna bagi pengembangan bidang kesehatan dengan menggunakan SPSS. Sehubungan dengan hal tersebut, maka diharapkan bagi tenaga kesehatan khususnya, dapat menguasai teknik analisis data penelitian. Dalam memperlancar pembelajaran analisis data dengan SPSS, penulis menguraikan secara ringkas teknik dan langkah langkah dalam melakukan analisis tersebut. Buku ini memuat berbagai analisis data mulai dari analisis univariat, bivariat dan multivariat. Dengan perkembangan ilmu pengetahuan dan teknologi khususnya dibidang kesehatan maka, berkembang pula cara cara dalam melakukan analisis data. Salah satunya supaya tenaga kesehatan dapat meguasai analisis data penelitian, penulis berharap buku ini dapat menjadi panduan dalam melakukan analisis data penelitian. Tujuan penulisan buku ajar ini adalah sebagai referensi bagi para akademisi baik dosen maupun mahasiswa dan praktisi kesehatan dalam melakukan analisis data penelitian dan pembelajaran dilingkungan pendidikan. Terima Kasih yang sedalam dalamnya penulis sampaikan, atas bantuan dan kerjasamanya dalam mendorong penulis menyusun buku ajar ini. Namun, buku ajar ini tidak terlepas dari ketidaksempurnaannya. Penulis berharap kritik dan saran dari para pengguna buku ajar demi kelengkapan dan kesempurnaan buku ajar ini. Semoga buku ajar ini bermanfaat bagi para pengguna. Sekali lagi penulis ucapkan terimakasih atas partisipasinya. Penulis i

6 DAFTAR ISI Kata Pengantar... i Daftar Isi... ii BAB I Konsep Dasar Statistik... 1 A. Pendahuluan...1 B. Peran Statistik dalam Penelitian...1 C. Kegunaan Statistik dalam Penelitian Kesehatan... 1 D. Jenis Data... 2 BAB II Pengantar SPSS... 4 A. Pendahuluan... 4 B. Pengolahan Data... 4 C. Entry Data dengan SPSS...5 D. Menu IBM SPSS E. Memasukkan Data...14 BAB III Input Data SPSS A. Membuat Nama Variabel...19 B. Memasukkan / Entry Data...24 C. Mengedit Data D. Menyimpan Data...34 E. Memanggil File Data F. Transformasi atau Modifikasi data BAB IV Uji Instrumen...44 A. Uji Validitas dan Uji Reliabilitas Uji Validitas Uji Reliabilitas BAB V Analisis Univariat...53 A. Jenis Data Numerik...54 B. Jenis Data Katagorik...57 ii

7 C. Analisis Data Numerik dengan Program SPSS...58 D. Analisis Data Katagorik dengan Program SPSS...69 BAB VI Analisis Bivariat...74 A. Hipotesis B. Arah dan Bentuk Hipotesis C. Tingkat Kemaknaan D. Nilai P E. Penentuan Uji Statistik Bivariat BAB VII Analisis Bivariat Katagorik dengan Katagorik...79 A. Uji Chi Square / Uji Kai Kuadrat...79 B. Odds Ratio (OR) BAB VIII Analisis Bivariat Katagorik dengan Numerik A. Uji T B. Uji T Independen C. Uji T Dependen Bab IX Analisis Bivariat Katagorik dengan Numerik A. Uji Anova Analisis Varian Satu Faktor (one way) Analisis Varian Dua Faktor (two way) BAB X Analisis Bivariat Numerik dengan Numerik A. Korelasi B. Regresi C. Latihan Korelasi dan Regresi BAB XI Analisis Multivariat A. Pengantar Analisis Multivariat B. Konsep Confounding C. Konsep Interaksi D. Penentuan Uji Statistik Multivariat iii

8 BAB XII Analisis Multivariat Regresi Logistik Ganda A. Regresi Logistik Ganda B. Pemodelan C. Latihan Regresi Logistik Ganda DAFTAR PUSTAKA LAMPIRAN RIWAYAT HIDUP iv

9 BAB I KONSEP DASAR STATISTIK A. Pendahuluan Statistik dalam arti sempit berarti angka atau data. Sedangkan dalam arti luas statistik sebagai suatu prosedur atau metode pengumpulan data, pengolahan data, analisis data dan penyajian data. Dalam dunia kesehatan, bahwa statistik sangat berperan sekali dalam penelitian. Penelitian adalah cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan tertentu. Data yang diperoleh melalui penelitian harus akurat, artinya data yang dihasilkan harus memenuhi kriteria : valid, reliabel dan obyektif. Valid artinya ketepatan atau kecematan pengukuran, artinya ketepatan antara data yang sesungguhnya terja di pada obyek dengan data yang dapat dikumpulkan oleh peneliti. Misalkan data dalam obyek berwarna merah, maka data yang terkumpul oleh peneliti juga berwarna merah. B. Peran Statistik dalam penelitian Peran statistik dalam suatu penelitian dimulai dari tahap awal sampai dengan akhir penelitian. Adapun perannya : 1. Alat untuk menghitung besarnya sampel yang akan diteliti 2. Alat untuk menguji validitas dan reliabilitas instrumen 3. Alat untuk pengolahan data 4. Alat untuk analisis data 5. Alat untuk penyajian data C. Kegunaan statistik dalam penelitian kesehatan 1. Mengukur status kesehatan masyarakat dan mengetahui permasalahan kesehatan 1

10 2. Membandingkan status kesehatan di satu tempat dengan tempat lain, atau membandingkan status kesehatan waktu lampau dengan saat sekarang 3. Evaluasi dan monitoring kegagalan dan kenerhasilan program kesehatan yang sedang dilaksanakan 4. Keperluan estimasi tentang kebutuhan pelayanan kesehatan 5. Perencanaan program kesehatan 6. Keperluan research dan publikasi masalah masalah kesehatan D. Jenis data Dalam menggunakan statistik perlu dipahami benar mengenai definisi data dan jenis jenis data. Data merupakan kumpulan angka atau huruf hasil dari penelitian terhadap sifat atau karakteristik yang kita teliti. Menurut skala pengukurannya, variabel dibagi empat jenis yaitu Nominal, Ordinal, Interval dan Rasio. Keempat Skala pengukuran akan dijelaskan sebagai berikut : 1. Nominal, variabel yang hanya dapat membedakan nilai datanya dan tidak tahu nilai data mana yang lebih tinggi atau rendah. Contoh : jenis kelamin dll. Dimana jenis kelamin laki laki tidak lebih tinggi dibandingkan perempuan. 2. Ordinal, variabel yang dapat membedakan nilai datanya dan juga sudah diketahui tingkatan lebih tinggi atau lebih rendah, tetapi belum diketahui besar beda antar nilai datanya. Contoh : pendidikan, pangkat, stadium penyakit dll. Dimana pendidikan SD pengetahuannya lebih rendah dibandingkan SLTP, namun demikian, kita tidak dapat tahu besar perbedaan pengetahuan orang SD dengan SLTP. 3. Interval, variabel yang dapat dibedakan, diketahui tingkatannya dan diketahuo juga besar beda antar nilainya, namun pada variabel interval belum diketahui kelipatan suatu nilai terhadapt nilai yang lainnya. Bahwa, pada skala interval tidak mempunyai titik nol mutlak. Contoh : Suhu, misalnya benda A suhunya 40 0 c dan benda B 10 0 c. Benda A lebih panas dari benda B dan beda panasnya antara benda A dan B 2

11 sebesar 30 0 c. Namun, kita tidak bisa mengatakan bahwa benda A panasnya 4 kali dari benda B (ini berarti tidak ada kelipatannya). Selanjutnya, kalau suatu benda suhunya 0 0 c, ini berarti bahwa benda tersebut tidak mempunyai panas (tidak mempunyai titik nol mutlak). 4. Rasio, variabel yang paling tinggi skalanya, yaitu bisa dibedakan ; ada tingkatan, ada besar beda dan ada kelipatannya serta ada nol mutlak. Contoh: BB, TB dll. Misalnya : berat badan A 30 kg dan berat badan B 60 kg. Dalam hal ini dapat dikatakan bahwa berat badan A lebih ringan dari berat badan B. Dimana selisih berat badan A dan berat badan B adalah 30 kg. Berat badan B dua kali lebih tinggi dari berat badan A. Dimana berat 0 kg, ini berarti tidak ada berat (tidak ada bedanya), sehingga ada nol mutlak. Dalam analisis seringkali digunakam pembagian data / variabel menjadi dua kelompok yaitu : data katagorik dan data numerik. 1. Katagorik (Kualitatif), merupakan data hasil pengklasifikan atau penggolongan suatu data. Cirinya : isinya berupa kata kata. 2. Numerik (Kuantitatif), merupakan variabel hasil dari perhitungan dan pengukuran. Cirinya : isi variabel berbentuk angka angka. Ditinjau dari analisis data, maka analisis data penelitian dapat dibagi menjadi tiga yakni : 1. Univariat, merupakan analisis secara statistik dengan menjelaskan atau mendeskripsikan karakteristik masing masing variabel yang diteliti. 2. Bivariat, merupakan analisis secara statistik yang dapat mengetahui hubungan antara dua variabel penelitian, dimana untuk mengetahui kedua variabel tersebut apakah ada hubungan atau ada perbedaan yang signifikan. 3. Multivariat, merupakan analisis secara statistik yang dapat melihat hubungan atau keterkaitan dua variabel penelitian, maka tujuan analisis multivariat bertujuan melihat atau mempelajari hubungan beberapa variabel (lebih dari satu variabel) independen dengan satu atau beberapa variabel dependen (umumnya satu variabel dependen) 3

12 BAB II PENGANTAR SPSS A. Pendahuluan Statistical Package for the Social sciences atau SPSS merupakan Software statistika yang paling populer digunakan di Indonesia. SPSS adalah paket software untuk analisis statistik dan manajemen data. Kemudahan SPSS mengolah data dalam menyelesaikan permasalahan statistika seperti dibidang kesehatan dalam penelitian kesehatan. B. Pengolahan data Pengolahan data merupakan salah satu bagian rangkaian kegiatan penelitian setelah pengumpulan data. Untuk data yang masih mentah (raw data) maka data tersebut perlu di olah sehingga menghasilkan suatu informasi. Dalam penelitian kesehatan, khususnya penelitian kuantitatif maka program SPSS sangat diperlukan yang dapat memberikan informasi berupa angka angka. Dari angka tersebut maka akan dijelaksan dalam penelitian yang dapat memberikan informasi dari penelitian akhirnya dapat digunakan untuk menjawab tujuan penelitian. Agar analisis penelitian menghasilkan informasi yang benar, paling tidak ada empat tahapan dalam pengolahan data yang harus di lalui, yaitu : 1. Editing Editing merupakan kegiatan untuk melakukan pengecekan isian formulir atau kuesioner. 2. Coding Coding merupakan kegiatan merubah data berbentuk huruf menjadi data berbentuk angka atau bilangan. Misalnya variabel pendidikan dilakukan coding. Contoh : koding 1 = SD, 2 = SMP, 3 = SMA, 4 = PT, dsb. Kegunaan coding adalah untuk mempermudah pada saat analisis dan juga mempercepat pada saat entry data. 4

13 3. Processing Processing merupakan suatu kegiatan yang dilakukan untuk memproses data agar data yang sudah di entry dapat dianalisis. Pemrosesan data dilakukan dengan cara meng-entry data dari kuesioner ke paket program komputer. Berbagai jenis paket program yang dapat digunakan dalam pemrosesan data, salah satu yang sering digunakan untuk entry data adalah paket program SPSS for Window. 4. Cleaning Cleaning (pembersih data) merupakan kegiatan pengecekan kembali data yang sudah di-entry apakah ada kesalahan atau tidak. C. Entry Data Dengan SPSS Memasukan data dengan SPSS semua kebutuhan pengolahan dan analisis data dapat diselesaikan dengan mudah dan cepat. Perkembangan program SPSS sangat cepat dimulai dari program SPSS/PC + (masih under DOS) kemudian berkembang terus sampai sekarang ini yang sudah memasuki versi IBM SPSS Statistics Memanggil SPSS Dalam memanggil program SPSS, bahwa pertama kali anda harus pastikan bahwa komputer anda sudah terinstall program SPSS for Windows. Memanggil SPSS dapat dilakukan dalam dua cara, yakni : Pertama : Jika tampilan komputer anda sudah muncul Icon SPSS, maka klik dengan mouse icon sebanyak dua kali. Kedua : Jika pada layar komputer anda belum ada Icon SPSS, maka langkah yang anda lakukan adalah Klik Start, pilih :File Program dan sorot SPSS terakhir, anda Klik dua kali. 5

14 2. Window pada SPSS Pada penggunaan program SPSS dalam Operasionalnya, biasanya yang digunakan cukup dua jenis jendela (Window) yang utama adalah window data editor dan window output atau viewer. Namun pada program IBM SPSS 22.0 ada empat window yakni window data editor, window output atau viewer, window Syntax dan window Script. Keempat tampilan window SPSS tersebut akan uraikan dibawah ini : a. Data Editor Window SPSS untuk menginput data dikenal dengan data editor. Window ini berbasis tampilan data yang kita olah dan analisis dengan tampilan sejenis Speadsheet (tampilan program excel). Data editor terdiri dari dua window, yaitu data view dan variabel view. Tampilan window data editor pada Program IBM SPSS 22.0 seperti pada gambar di bawah ini : Tampilan Data Editor Dalam data editor, jika inputan data belum disimpan maka pada data editor masih Untitled, sedangkan tulisan IBM SPSS Statistic Data Editor menunjukkan window yang dibuka adalah window data editor. 6

15 Pada data editor terdiri dari Data View dan Variabel View yang berwarna orange pada pojok kiri bawah. Pada warna orange menunjukkan window aktif adalah window data editor data view. 1. Data Editor Data View Data View merupakan window data editor untuk menginput data. Tampilan window data editor data view pada Program IBM SPSS 22.0 seperti pada gambar di bawah ini : Tampilan Data Editor Data View Kolom Baris Dalam data view terdiri dari beberapa fitur, yang mempunyai fungsi masing masing. Fitur data view sebagai berikut : Kolom menunjukkan variabel yang di input atau karakteristik variabel yang diukur. Baris menunjukkan jenis jenis variabel penelitian. Secara defult, SPSS memberikan nilai pada dengan tipe numerik. 2. Data Editor Variabel View Variabel view merupakan window data editor untuk mendifinisikan variabel data yang akan atau sudah di-input pada data view. Untuk berpindah dari data view ke variabel view, user dapat mengklik langsung pada tanda panah ke Variabel view, 7

16 sehingga berubah warna menjadi orange. Tampilan window data editor variabel view pada Program IBM SPSS 22.0 seperti pada gambar di bawah ini : Tampilan Data Editor Variabel View Window variabel view terdiri dari baris dan kolom, sama dengan Data View. Dimana baris merupakan variabel suatu penelitian khusus penelitian kesehatan, sedangkan kolom merupakan atribut dari suatu variabel. Adapun atribut yang terdiri pada variabel view akan diuraikan dibawah ini : Name Kolom name merupakan nama variabel yang akan di-input, dengan kriteria dari pemberian nama adalah harus tunggal (tidak boleh menggunakan spasi) dan nama satu variabel tidak boleh sama dengan variabel yang lainnya. Type Type menunjukkan tipe data untuk setiap variabel yang diinput dan Tipe data berupa numeric. 8

17 Width Width merupakan lebar entri data dan secara default SPSS memberikan lebar sebanyak 8. Decimals Desimals menunjukkan banyak desimal pada variabel numerik. SPSS memberikan default 2 desimal. Tetapi pada penelitian kesehatan sebaiknya default 0 desimal dan tergantung dari jenis variabel penelitian. Label Label menunjukkan deskripsi variabel data, dimana memuat 256 karakter (128 karakter pada pemrograman byte ganda). Tampilan label muncul pada output atau viewer. Values Values menunjukkan deskripsi nilai label pada variabel data. Values biasa suatu pengkodean. Contoh : kode 0 untuk laki laki dan kode 1 untuk perempuan. Pada values, pengkodean berdasarkan dari kode setiap variabel penelitian. Missing Missing merupakan data yang sudah dispesifikasikan oleh user sebagai nilai yang hilang. Column Column menunjukkan jumlah karakter pada lebar kolom. Secara default, SPSS memberikan lebar kolom 8. Align Align mengatur tampilan nilai data dan nilai label pada data view. Measure 9

18 Measure digunakan untuk mendefinisikan skala pengukuran pada tiap variabel data. Ada tiga jenis pengukuran yang tersedia, yakni skala (Scale), ordinal dan nominal. Role Role merupakan kolom dialog pendukung yang dapat digunakan untuk variabel pemilihan dalan variabel penelitian. b. Output atau Viewer Window output atau viewer akan terbuka secara otomatis apabila sudah membuka program IBM SPSS Window untuk menampilkan output SPSS disebut dengan Viewer. Hasil olahan (hasil analisis) akan ditampilakn pada Window Output atau Viewer. Window Output merupakan teks editor, artinya dapat mengedit hasil analisis yang ditampilkan. Tampilan window Output atau Viewer pada Program IBM SPSS 22.0 seperti pada gambar di bawah ini : Tampilan window Output atau Viewer c. Syntax 10

19 Window SPSS untuk menulis perintah bahasa pemrograman SPSS disebut dengan syntax. Beberapa fungsi syntax dalam window syntax ini tidak terdapat pada menu dan kotak dialog. Tampilan Window syntax pada program IBM SPSS 22.0 seperti pada gambar dibawah ini : Tampilan Window Syntax Untuk membuka window syntax maka langkah yang harus dilakukan adalah Klik File New syntax klik dua kali. d. Script Script merupakan Window yang digunakan untuk membuat interface, manipulasi output objek dan menjalankan perintah syntax. Tampilan Window script pada program IBM SPSS 22.0 seperti pada gambar dibawah ini : Tampilan Window Script 11

20 Untuk membuka window syntax maka langkah yang harus dilakukan adalah Klik File New Script klik dua kali. D. Menu IBM SPSS 22.0 Secara umum sistem kerja IBM SPSS 22.0 for window dikendalikan oleh beberapa menu (bar menu), terletak disebelah atas dengan urutan dari kiri ke kanan. Tampilan Menu pada Program IBM SPSS 22.0 seperti pada gambar di bawah ini : Tampilan Menu Program IBM SPSS

21 Pada menu IBM SPSS 22.0 for window pada gambar diatas, bahwa menu (bar menu) terdiri dari : File, Edit, View, Data, Transform, Analyze, Direct Marketing, Graphs, Utilities, Add-Ons, Window dan Help. Menu IBM SPSS 22.0 for window akan diuraikan sebagai berikut : 1. File File digunakan untuk membuat file data baru, membuka file data yang telah tersimpan (ekstensi SAV), atau membaca file data dari program lain, seperti dbase, lotus, excel, SAS dll. 2. Edit Edit digunakan untuk memodifikasi, mengcopy, meghapus, mencari dan mengganti data. 3. View View digunakan untuk mengatur tampilan font dan tampilan kode atau label. 4. Data Data digunakan untuk membuat nama variabel, mengambil, menganalisa sebagian data dan menggabungkan data. 5. Transform Transform digunakan untuk mentransformasi / memodifikasi data seperti pengelompokan variabel, pembuatan variabel baru dari perkalian dan penjumlahan variabel yang ada. 6. Analyze Analyze digunakan untuk memilih berbagai prosedur statistik, dari statistik sederhana (deskriptif) sampai dengan statistik komplek (multivariat). 13

22 7. Direct Marketing Direct Marketing merupakan fasilitas yang terbaru pada SPSS khususnya pada SPSS 22.0, menu terdiri dari sejumlah alat (tools) seperti RFM analysis, cluster analysis dan sebagainya. 8. Graphs Graphs digunakan untuk membuat grafik meliputi grafik Bar, Pie, garis, Histogram, Scatter Plot dsb. 9. Utilities Utilities digunakan untuk menampilkan berbagai fungsi informasi tentang isi file. 10. Add-Ons Add-Ons merupakan jenis prosedur statistik lanjutan yang bisa dilakukan dengan SPSS, seperti Conjoint, Categories, Advaced model dan sebagainya. 11. Window Window digunakan untuk berpindah-pindah antar jendela, misalnya dari jendela data ke jendela output. 12. Help Help memuat informasi bantuan bagaimana menggunakan berbagai fasilitas pada SPSS. E. Memasukkan Data Entry data dapat langsung dilakukan pada data Editor. Data editor memiliki bentuk tampilan sejenis spreadsheet (seperti excel) yang digunakan sebagai fasilitas untuk memasukkan data. Ada tiga hal yang harus diperhatikan yakni : 1. Baris Baris menunjukkan kasus / responden. 14

23 2. Kolom Kolom menunjukkan variabel. 3. Sel Sel merupakan perpotongan antara kolom dan baris yang menunjukkan nilai atau data. Dalam memasukkan data ke SPSS, maka ada lima hal yang harus diperhatikan yakni : 1. Memberikan Nama Variabel Dalam memberikan nama variabel hal yang harus dilakukan pada saat entry data adalah memberi nama variabel. Satu variabel mewakili atau melambangkan satu pertanyaan dalam penelitian. Supaya tidak menemui kesulitan dalam membuat nama variabel, bahwa ada beberapa syarat atau ketentuan nama variabel, diantaranya : a. Nama variabel maksimum berisi 8 huruf/karakter, untuk SPSS versi 22.0 jumlah karakter dapat lebih dari 8 huruf. b. Nama variabel tidak boleh ada spasi. c. Nama variabel tidak ada yang sama (tidak boleh ada dua atau lebih variabel yang memiliki nama sama). 2. Mendefinisikan Tipe Variabel Tipe data harus ditentukan, jika akan memasukkan data ke dalam SPSS, beberapa jenis tipenya antara lain : a. Numerik : untuk data berbentuk angka atau nomor. b. String : untuk data berbentuk huruf. c. Date : untuk data berbentuk data atau tanggal. Tipe data yang sering digunakan adalah tipe numerik, karena data yang akan dikelolah adalah berbentuk angka. 3. Mendefinisikan Adanya Desimal Data yang akan dimasukkan berbentuk desimal, seperti kadar HB, maka perlu ditentukan beberapa desimal yang diinginkan. SPSS secara 15

24 default/standar maka akan memberikan dua angka desimal untuk setiap data yang akan dimasukkan. Dimana kebanyakan data penelitian berbentuk tidak ada desimal, oleh karena itu untuk data yang tidak ada desimal, maka harus terlebih dahulu di seting pada SPSS isian jumlah desimal diberi angka 0 atau dikosongkan. 4. Memberi Label Variabel Nama variabel biasanya tertulis dengan kata atau huruf yang singkat. Dalam menuliskan keterangan nama variabel maka harus diperjelaskan arti dari masing masing variabel. Misalnya nama variabel BWT maka diberi label Berat Badan Bayi pada saat lahir dalam satuan gram. 5. Memberi Value Label Pada variabel yang berbentuk koding, maka harus memberikan keterangan untuk setiap kode yang ada dalam kode tersebut. Misalnya untuk variabel jenis kelamin, maka kode 0 untuk laki laki dan kode 1 untuk perempuan. 16

25 BAB III INPUT DATA SPSS Input data dengan program IBM SPSS versi 22.0 dapat dilakukan dengan langkah pertama membuka window data editor data view, kemudian ketik data. Langkah kedua dengan membuka window data editor variabel view, kemudian identifikasi variabel data terlebih dahulu. Untuk memberikan ilustrasi input data, maka akan diberikan contoh dibawah ini : Survei dilakukan dengan jumlah responden sebanyak 50 orang, data yang sudah direkap sebagai berikut : No Kepuasan kerja perawat Pengetahuan Sikap Motivasi

26 Keterangan : Judul penelitian : Analisis perilaku individu terhadap kepuasan kerja perawat di RSUD X tahun Variabel Independen adalah pengetahuan, sikap dan motivasi. Variabel dependen adalah kepuasan kerja perawat Pengetahuan Sikap Motivasi : kode 0 = tinggi dan kode 1 = rendah : kode 0 = positif dan kode 1 = negatif : kode 0 = tinggi dan kode 1 = rendah Kepuasan kerja perawat : kode 0 = puas dan kode 1 = tidak puas 18

27 A. Membuat Nama Variabel Dalam memasukkan data yang sudah direkap maka yang harus dilakukan untuk memasukkan data ke dalam program SPSS versi 22.0, yakni : 1. Memasukkan variabel No Adapun tahapannya : a. Kolom name diketik nama variabel No. b. Kolom Type, secara otomatis pada SPSS numeric dan data No berbentuk angka (pilih Numeric). c. Kolom width, secara standar kolom sudah diatur dan lebarnya 8. d. Kolom Decimal, secara otomatis memberi ruang untuk 2 decimal, untuk variabel No tentunya berbentuk bilangan bulat (tidak ada desimal), maka kolom desimal diberi angka 0. e. Kolom Label, berfungsi untuk memperjelas variabel No maka diketik keterangganya, misalkan diketik Nomor Responden. f. Kolom Values, pada kolom values merupakan variabel yang berbentuk koding (contoh : variabel jenis kelamin, kode 0 = laki laki dan kode 1 = perempuan). Untuk variabel No bukan merupakan variabel koding maka diabaikan saja. Tampilan lengkapnya sebagai berikut : 19

28 2. Memasukkan Variabel Kepuasan Kerja Perawat Adapun tahapannya : a. Kolom name diketik nama variabel Kerjaperawat tanpa spasi. b. Kolom Type, secara otomatis pada SPSS numeric dan data kerjaperawat berbentuk angka (pilih Numeric). c. Kolom width, secara standar kolom sudah diatur dan lebarnya 8. d. Kolom Decimal, secara otomatis memberi ruang untuk 2 decimal, untuk variabel kerjaperawat tentunya berbentuk bilangan bulat (tidak ada desimal), maka kolom desimal diberi angka 0. e. Kolom Label, berfungsi untuk memperjelas variabel No maka diketik keterangganya, misalkan diketik kepuasan kerja. f. Kolom Values, pada kolom values merupakan variabel kerjaperawat yang berbentuk koding, maka kode 0 = puas dan kode 1 = tidak puas. Klik kolom Values akan muncul menu, seperti dibawah ini : Klik disini 20

29 Pada kotak Value ketik angka 0, kemudian klik kotak label dan ketikan kata puas, seperti dibawah ini : Selanjutnya klik tombol Add sehingga di kotak bagian bawah akan muncul, seperti dibawah ini : Seterusnya klik kotak Value dan ketikan angka 1, kemudian klik kotak Label dan ketik kata tidak puas, kemudian klik tombol Add sehingga di kotak akan muncul, seperti dibawah ini : 21

30 Selanjutnya, klik tombol variabel Kerjaperawat. sehingga selesailah pembuatan 3. Memasukkan Variabel Pengetahuan Adapun tahapannya : a. Kolom name diketik nama variabel pengetahuan. b. Kolom Type, secara otomatis pada SPSS numeric. c. Kolom width, secara standar kolom sudah diatur dan lebarnya 8. d. Kolom Decimal, secara otomatis memberi ruang untuk 2 decimal, untuk variabel pengetahuan tentunya berbentuk bilangan bulat (tidak ada desimal), maka kolom desimal diberi angka 0. e. Kolom Label, di ketik pengetahuan perawat. f. Kolom Values, pada kolom values diberikan kode 0 = tinggi dan kode 1 = rendah. Klik kolom Values akan muncul menu Pada kotak Value ketik angka 0 dan klik kotak label dan ketikan kata tinggi, kemudian klik tombol add. Selanjutnya pada kotak value ketik angka 1 dan klik kotak label dan ketikan kata rendah, kemudian klik tombol add, seterusnya klik tombol OK. 22

31 4. Memasukkan Variabel Sikap Adapun tahapannya : a. Kolom name diketik nama variabel sikap. b. Kolom Type, secara otomatis pada SPSS numeric. c. Kolom width, secara standar kolom sudah diatur dan lebarnya 8. d. Kolom Decimal, secara otomatis memberi ruang untuk 2 decimal, untuk variabel sikap tentunya berbentuk bilangan bulat (tidak ada desimal), maka kolom desimal diberi angka 0. e. Kolom Label, di ketik sikap perawat. f. Kolom Values, pada kolom values diberikan kode 0 = positif dan kode 1 = negatif. Klik kolom Values akan muncul menu Pada kotak Value ketik angka 0 dan klik kotak label dan ketikan kata positif, kemudian klik tombol add. Selanjutnya pada kotak value ketik angka 1 dan klik kotak label dan ketikan kata negatif, kemudian klik tombol add, seterusnya klik tombol OK. 5. Masukkan Variabel Motivasi Adapun tahapannya : a. Kolom name diketik nama variabel motivasi. b. Kolom Type, secara otomatis pada SPSS numeric. c. Kolom width, secara standar kolom sudah diatur dan lebarnya 8. d. Kolom Decimal, secara otomatis memberi ruang untuk 2 decimal, untuk variabel motivasi tentunya berbentuk bilangan bulat (tidak ada desimal), maka kolom desimal diberi angka 0. e. Kolom Label, di ketik motivasi perawat. f. Kolom Values, pada kolom values diberikan kode 0 = tinggi dan kode 1 = rendah. Klik kolom Values akan muncul menu Pada kotak Value ketik angka 0 dan klik kotak label dan ketikan kata tinggi, kemudian klik tombol add. Selanjutnya pada kotak value ketik angka 1 dan klik kotak label dan ketikan kata rendah, kemudian klik tombol add, seterusnya klik tombol OK. 23

32 Keseluruhannya akan terlihat seperti dibawah ini : B. Memasukkan / Entry Data Memasukkan data dari hasil survei penelitian kedalam format yang telah dibuat. Dalam memasukkan data, maka terlebih dahulu harus berpindah ke window Data View, dengan cara Klik tombol Data View, seperti pada tampilan dibawah ini : Dalam memasukkan data bisa dilakukan dengan cara menyamping satu persatu pada setiap responden dengan mengentry datanya dan bisa juga dilakukan dengan cara memasukkan data perkolom yaitu kearah bawah pada setiap variabel responden. 24

33 Langkah selanjutkannya, memasukkan data pada tabel diatas yakni sebanyak 10 responden dan tampilannya sebagai berikut : C. Mengedit Data Dalam melakukan edit data pada program SPSS ada beberapa cara yang dilakukan diantaranya : 1. Menghapus isi sel Adapun langkah langkah dalam melakukan menghapus isi sel, yakni : a. Klik sel yang akan dihapus isinya b. Tekan tombol delete pada keyboard atau clear pada edit. Jika tidak jadi menghapus, maka klik undo. Untuk menghapus isi sejumlah sel sekaligus, maka pilihlah sejumlah sel tersebut dengan drag (menyorot/memblok) dengan mouse. Pada tampilan dibawah ini : 25

34 Pada tampilan diatas, bahwa yang akan dihapus adalah pada variabel pengetahuan pada responden 3 sampai 6. Jadi, untuk menghapusnya tekan delete atau bisa juga dengan klik kanan pada mouse dan pilih clear. 2. Menghapus isi sel satu kolom (menghapus variabel) Adapun langkah langkahnya sebagai berikut : a. Klik heading kolom (nama variabel) yang akan dihapus isi selnya, misalkan akan menghapus variabel sikap. Untuk menghapusnya maka klik heading sikap, seperti pada tampilan dibawah ini : klik di sini b. Tekan tombol delete Dalam menghapus isi sel sejumlah kolom sekaligus, maka pilihlah kolom yang akan dihapus dengan drag (menyorot dan memblok) dengan mouse atau klik kanan dan pilih clear. 3. Menghapus baris (menghapus responden) Adapun langkahnya sebagai berikut : a. Klik baris yang akan dihapus, misalkan nomor responden yang akan di hapus adalah nomor 3. Pada tampilan dibawah ini : 26

35 Klik di sini b. Tekan tombol delete Setelah melakukan klik pada nomor responden yang akan dihapus, maka tekan tombol delete atau bisa juga dengan mengklik kanan mouse dan pilih clear. Jika ingin menghapus beberapa nomor responden sekaligus, maka pilihlah nomor responden tersebut dengan drag (menyorot dan memblok) pada nomor responden tersebut. Misalkan akan menghapus nomor responden 3 sampai 5. Pada tampilan dibawah ini : 27

36 Pada tampilan diatas, setelah melakukan drag (menyorot dan memblok) pada nomor responden 3 sampai 5, maka langkah selanjutnya adalah dengan menekan tombol delete atau mengklik kanan pada mouse dan pilih clear. 4. Mengcopy isi sel Adapun langkah langkahnya sebagai berikut : a. Pilih sel yang ingin di copy dengan menyorot b. Tekan tombol Ctrl+C atau atau mengklik kanan pada mouse dan pilih copy. c. Pindahkan penunjuk sel yang akan dituju (yang ingin digantikan) d. Tekan tombol Ctrl+C atau mengklik kanan pada mouse dan pilih paste. Adapun hal yang harus diperhatikan dalam mengcopy isi sel atau sejumlah sel, yakni bahwa format hasil copy akan selalu menyesuaikan dengan format variabel dimana isis sel atau sejumlah sel itu dicopykan. Misalkan, pada nomor responden 3 akan dipindah ke nomor responden Adapun langkahnya sebagai berikut : a. Klik pada nomor 3 Pada tampilan dibawah ini : 28

37 b. Tekan tombol Ctrl+C atau klik kanan pada mouse dan pilih copy. c. Pindahkan ke nomor 5 d. Tekan tombol Ctrl+V atau klik kanan pada mouse dan pilih paste. Pada tampilan dibawah ini : Pada tampilan diatas setelah dilakukan pengcopyan, maka yang berubah adalah angka 5 berubah ke angka 3 pada NO, angka 0 tetap sama pada kerjaperawat, pengetahuan, sikap dan angka 0 berubah ke angka 1 pada motivasi. Jadi secara otomatis akan berubah setelah dilakukan pengcopyan. 5. Mengcopy isi satu kolom (mengcopy variabel) Adapun langkah langkahnya sebagai berikut : a. Klik heading kolom (nama variabel) yang akan dicopy isinya. b. Tekan tombol Ctrl+C atau klik kanan pada mouse dan pilih copy. c. Klik heading kolom yang digantikan. d. Tekan tombol Ctrl+V atau klik kanan pada mouse dan pilih paste. Misalkan, ingin merubah variabel kerjaperawat ke variabel sikap. Adapun langkahnya sebagai berikut : a. Klik variabel kerjaperawat 29

38 Pada Tampilan dibawah ini : b. Tekan tombol Ctrl+C atau klik kanan pada mouse dan pilih copy. c. Klik variabel sikap. d. Tekan tombol Ctrl+V atau klik kanan pada mouse dan pilih paste. Pada tampilan dibawah ini : Pada tampilan diatas setelah dilakukan pengcopyan, maka yang berubah adalah angka pada variabel sikap secara otomatis berubah sama seperti angka yang ada di variabel kerja perawat. Tetapi tidak merubah nama variabel tersebut. 30

39 6. Menyisipkan kolom Dalam menyisipkan kolom untuk mempermudah peneliti dalam melakukan penambahan kolom, hal ini dilakukan jika peneliti lupa melakukan entry nama variabel pada program SPSS. Adapun langkah langkahnya sebagai berikut : a. Pindahkan penunjuk sel pada kolom yang akan disisipi. b. Klik pada nama variabel (yang sudah diketik terlebih dahulu) c. klik kanan, pilih Insert Variable, terlihat kolom baru muncul. Misalkan akan menyisipkan kolom baru pada variabel sikap. Adapun langkahnya sebagai berikut : a. klik pada variabel sikap b. klik kanan dan pilih Insert Variable. Pada Tampilan dibawah ini : 31

40 c. klik Insert Variable. Sehingga muncul kolom yang baru pada tampilan di bawah ini : Pada tampilan di atas, merupakan penyisipan kolom yang baru. Kolom tersebut akan digantikan dengan nama variabel yang baru. Pada tampilan diatas bahwa nama variabel tersebut adalah VAR0002, kemudian digantikan dengan nama variabel penelitian yang terlewati. Dalam menggantikan nama variabel tersebut adapun langkahnya sebagai berikut : a. klik variabel view. Pada tampilan dibawah ini : Dari tampilan diatas, bahwa pada Name baris ke 4 nama variabel tersebut belum digantikan, dengan demikian langkah selanjutnya adalah ; 32

41 b. Mengantikan nama variabel (disesuaikan dengan nama variabel penelitian yang terlewati). 7. Menyisipkan baris Dalam menyisipkan baris, hal ini sama seperti menyisipkan kolom. Menyisipkan baris merupakan menambahakn baris hal ini dilakukan dikarenakan adanya hasil data yang dimasukan terlewati atau ada beberapa responden terlewati dimasukkan ke dalam program SPSS. Adapun langkah langkahnya sebagai berikut : a. Pindahkan penunjuk sel pada baris yang akan disisipi b. Pilih pada nomor yang akan disisipi c. Klik kanan, pilih Insert Case. Terlihat baris baru. Misalkan akan menyisipkan baris baru pada no 2. Adapun langkahnya sebagai berikut : a. Klik pada baris ke 2 b. Klik kanan dan pilih Insert Case. Pada Tampilan dibawah ini : 33

42 c. Klik Insert Case. Pada tampilan dibawah ini : Pada tampilan diatas, bahwa pada no 2 tersebut data belum dimasukkan. Sehingga, data dari responden yang terlewati perlu dimasukkan ke dalam no 2 tersebut. Dalam menambahkan baris yang baru tidak tergantung pada no 2 seperti di atas, hal ini harus berkaitan dengan data dari penelitian masing masing. Misalkan data dari nomor responden no 7 terlewati, maka data tersebut dimasukkan di nomor 7. D. Menyimpan Data Data yang telah dimasukkan dalam program SPSS maka harus disimpan, supaya data tidak hilang. Sistem penyimpanan data harus disimpan ke dalam format SPSS, bentuk formatnya dicirikan dengan ekstensi.sav (nama file.sav). Langkah langkah menyimpan datanya adalah sebagai berikut : 1. Pilih file arah kursor ke save 2. Pilih tempat penyimpanan 34

43 Tampilannya seperti dibawahnya ini : Pada tampilan diatas harus diisikan beberapa isian kotak : a. Look in Pada look in, harus memilih tempat penyimpanan data seperti : disimpan pada my documents. Jika pada kotak look in tidak dirubah maka data yang disimpan dalam direktori program SPSS. b. File name File name merupakan tempat untuk menggetikkan nama file yang akan di simpan. SPSS akan menambahkan ektension.sav, sehingga cukup mengetik nama file yang akan disimpan dan tidak perlu mengetik ektensionnya. c. Save as type Save as type merupakan jenis data yang akan disimpan dan penyimpanannya dalam bentuk format sav. E. Memanggil File Data Data yang sudah tersimpan pada file dalam komputer, maka dapat dibuka kembali. Adapun langkah langkah dalam memanggil file yang sudah tersimpan yakni sebagai berikut : 35

44 1. Klik file, pilih open, geser ke data Tampilannya sebagai berikut : Terlihat beberapa kotak isian : a. Look in Look in merupakan tempat file disimpan. Secara otomatis tampilan pertama akan muncul direktori SPSS. b. File name File name merupakan tempat untuk mengetikkan nama file atau dapat juga dilakukan dengan meng-klik nama file yang tertampil pada kotak bagian atas nama file. c. File of type File of tipe merupakan jenis data yang tersimpan berbentuk format SPSS dan secara otomatis akan muncul file format SPSS (*.sav). 2. Memanggil file data yang sudah tersimpan File data yang sudah tersimpan akan dibuka, misalkan file data yang akan di buka latihan 01 dari drive c direktori My Documen. Adapun langkah langkahnya sebagai berikut : a. Pilih klik kotak file name, ketik latihan 01 atau klik latihan 01 pada tampilannya. 36

45 Tampak pada tampilan dibawah ini : b. Klik open, data akan muncul di layar. F. Transformasi atau modifikasi data Data yang sudah di entry pada dasarnya dapat langsung dilakukan analisis untuk mengetahui informasi yang diinginkan. Namun, sebelum melakukan analisis ada beberapa data yang masih perlu dilakukan modifikasi atau transformasi untuk keperluan analisis penelitian tertentu, misalkan pada variabel umur remaja yakni sebagai berikut : kode Kategori remaja Umur 1 Remaja awal 14 tahun 2 Remaja tengah tahun 3 Remaja akhir 19 tahun Berdasarkan pengkategori pada variabel remaja tersebut, maka peneliti akan memodifikasikan atau transformasi data pada program SPSS. 37

46 Sebelum melakukan transformasi data tersebut, adapun data yang sudah direkap pada suatu penelitian yakni sebagai berikut : No Umur Pengetahuan Sikap Motivasi

47 Keterangan : Sikap Pengetahuan Motivasi : kode 0 = positif dan kode 1 = negatif : kode 0 = tinggi dan kode 1 = rendah : kode 0 = tinggi dan kode 1 = rendah Data tersebut terlebih dahulu dimasukkan kedalam program SPSS, setelah data di entry maka pada variabel umur akan di lakukan modifikasi atau transformasi data. Dalam melakukan modifikasi data harus sesuai dengan kategori dari variabel penelitian, adapun langkah dalam melakukan modifikasi data adalah sebagai berikut : 1. Pilih Transform, sorot recode Into different variables Tampak pada tampilan dibawah ini : 39

48 2. Klik Recode into different variable Tampak pada tampilan dibawah ini : 3. Sorot variabel umur remaja, kemudian klik tanda panah ke kanan sehingga variabel umur remaja berpindah ke kotak input variable Output variable 4. Pada kotak Output variable, pada bagian name ketiklah umur1 (nama variabel baru untuk umur yang bentuknya sudah katagorik) 5. Klik Change sehingga pada kotak Input variable Output variable terlihat umur umur1 Tampak pada tampilan dibawah ini : 40

49 6. Klik Option Old and new value, nampak kotak Old and new di monitor. Sekarang akan melakukan merecode nilai umur (remaja awal 14 tahun) dikatagorikan < 14 th menjadi kode 1. Jadi, umur dibawah 14 th, artinya umur yang terendah sampai umur 14 tahun. 7. Pindahkan kurso ke kotak Range : lowest through value ketiklah 14 dan bawa kursor ke bagian kotak new value ketik 1 kemudian Add, Tampak tampilannya sebagai berikut : Langkah 3 Langkah 1 Langkah 4 Langkah 2 8. Pindahkan kursor ke kotak Range dan through, merecode umur tahun menjadi kode 2. Pada kotak tersebut isilah 15 dan 18. Kemudian, pindahkan kursor ke kotak New value, ketiklah 2 dan Add, tampak tampilannya sebagai berikut : 41

50 9. Pindahkan kursor ke Range, value through Highest, merecode umur 19 tahun menjadi kode 3. Pada kotak tersebut isilah 19. Kemudian, pindahkan kursor ke kotak New value, ketiklah 3 dan Add, tampak tampilannya sebagai berikut : 10. Klik continue 11. Klik OK, sehingga terlihat variabel baru umur1 yang terbentuk pada kolom kanan Tampak tampilannya sebagai berikut : 42

51 Nampak variabel baru umur1 masih menampilkan angka dengan 2 desimal, maka masuk ke variabel View, pada kolom decimal ketik 0, kemudian dapat juga memberi value label untuk kode 1 = 14 th, kode 2 = th dan kode 3 = 19 th. Tampak tampilannya sebagai berikut : 43

52 BAB IV UJI INSTRUMEN Pada bab sebelumnya sudah dijelaskan cara pengolahan data penelitian seperti memasukkan data, menyimpan data dan memodifikasi data ke dalam program SPSS versi 22. Sebelum melakukan analisis data, terlebih dahulu melakukan uji instrumen yang terdiri dari uji validitas dan uji reliabilitas kuesioner dalam penelitian. A. Uji Validitas dan Uji Reliabilitas Dalam melakukan suatu uji pada kuesioner dalam penelitian, maka hal ini sangat penting supaya kuesioner dari penelitian dapat dipercaya (akurat). Data yang dikumpulkan tidak akan berguna, jika kuesioner pada suatu penelitian belum dilakukan uji validitas dan uji reliabilitas. Uji validitas dan uji reliabilitas berfungsi untuk meningkatkan validitas dan riabel dari setiap item pertanyaan pada suatu penelitian. 1. Uji validitas Pada penelitian kuantitatif peneliti membutuhkan intrumen dalam melakukan penelitian, intrumen tersebut berupa angket. Dalam menilai apakah intrumen mempunyai validitas yang tinggi atau tidak, maka perlu dilakukan uji validitas. Validitas berasal dari kata validity yang mempunyai arti sejauhmana ketepatan suatu alat ukur mengukur suatu data. Misalkan, jika ingin menimbang berat badan maka harus menggunakan timbangan berat badan. Pada sisi lain jika ingin menimbang anting-anting maka harus menggunakan timbangan emas. Sehingga, dapat disimpulkan bahwa timbangan berat badan valid mengukur berat badan, namun timbangan emas tidak valid untuk menimbang berat badan. Rumus validitas menurut Sutanto Priyo Hastono (2007), sebagai berikut: 44

53 n ( XY) ( X Y) r = [n X 2 ( X) 2 ]. [n Y 2 (XY) 2 ] Keputusan uji validitas yakni : a. Bila r hitung lebih besar dari r tabel maka Ho ditolak, artinya variabel valid b. Bila r hitung lebih kecil dari r tabel maka Ho gagal ditolak, artinya variabel tidak valid Pada uraian diatas uji validitas dilakukan secara manual, namun dalam bab ini uji validitas akan dibahas menggunakan program SPSS versi 22. Adapun data yang sudah direkap sebagai berikut : Data suatu penelitian : No Sikap 1 Sikap 2 Sikap 3 Sikap Keterangan : sikap : 1 = buruk, 2 = sedang, 3 = baik, 4 = sangat baik Akan dilakukan uji validitas terhadap sikap 1, sikap 2, sikap 3 dan sikap 4. Langkah langkahnya sebagai berikut : a. Masukkan data tersebut ke dalam program SPSS 45

54 b. Klik Analyze c. Klik Scale d. Klik Reliability Analysis Tampilannya sebagai berikut : e. Klik Reliability Analysis Tampak hasilnya sebagai berikut : f. Masukkan semua variabel sikap ke dalam kotak Items, bahwa variabel penelitian yang dimasukkan ke dalam kotak Items hanya variabel yang akan di uji saja. 46

55 Tampilannya sebagai berikut : g. Pada Model, biarkan pilihan pada Alpha. h. Klik Statistics i. Pada bagian descriptives for contreng pada item, scale, scale if Item deleted. j. Klik continue k. Klik OK Tampilannya sebagai berikut : Item-Total Statistics 47

56 Cronbach's Scale Mean if Scale Variance Corrected Item- Alpha if Item Item Deleted if Item Deleted Total Correlation Deleted sikap1 7,63 3,850,664 -,107 a sikap2 7,50 4,000,678 -,091 a sikap3 7,44 9,329 -,401,967 sikap4 7,44 3,863,726 -,149 a a. The value is negative due to a negative average covariance among items. This violates reliability model assumptions. You may want to check item codings. Catatan : Dalam menentukan validitas setiap item pertanyaan penelitian, tidak semua hasil output dari SPSS di cantumkan dalam suatu penelitian. Namun, hasil analisis yang akan dicantumkan adalah hanya tabel item-total Statistics dalam menentukan validitas suatu item pertanyaan. Dalam menentukan validitas item pertanyaan maka akan dianalisis pada sub judul tabel yaitu pada tabel diatas di bagian Corrected Item- Total Correlation. Berdasarkan tampilan tabel diatas maka, cara menganalisis setiap item pertanyaan atau membandingkan validitas item pertanyaan pada suatu penelitian yaitu dengan membandingkan nilai r tabel dengan nilai r hitung. Nilai r tabel dapat dilihat pada lampiran pada tingkat kemaknaan 5%. Berikut cara menganalisis validitas item pertanyaan (validitas kuesioner) : a. Menentukan nilai tabel Nilai r tabel dilihat pada tabel r (terlampir). Rumus : df = n = 14. Pada tingkat kemaknaan 5%, maka nilai r tabel = 0,497. b. Menentukan nilai r tabel 48

57 Nilai r tabel di lihat pada tabel Item- Total Statistics tepat pada sub judul tabel Corrected Item-Total Correlation. No Nama variabel r hasil r tabel Keterangan 1 Sikap 1 0,664 0,497 Valid 2 Sikap 2 0,678 0,497 Valid 3 Sikap 3 0,401 0,497 Tidak valid 4 Sikap 4 0,726 0,497 Valid Catatan : jika r hasil lebih besar dari r tabel maka valid, sebaliknya jika r hasil lebih kecil dari r tabel maka tidak valid c. Kesimpulan uji validitas Berdasarkan hasil analisis pada sikap 1, 2, 3 dan 4, terdapat satu pertanyaan yang tidak valid, yaitu pada pertanyaan sikap 3 dengan nilai r hasil lebih kecil dari r tabel, sedangkan pertanyaan yang valid adalah sikap 1, 2 dan 3, karena niali r hasil lebih besar dari r tabel. Pada hasil uji validitas dan sudah dilakukan analisis setiap item pertanyaan, bahwa ada pertanyaan yang tidak valid. Maka, langkah selanjutnya adalah melakukan analisis ulang dengan mengeluarkan pertanyaan yang tidak valid (pertanyaan yang tidak valid adalah sikap 3). Langkah selanjutnya melakukan analisis ulang tahapan sama seperti analisis pertama. Namun, Untuk lebih jelaskan langkah akan diuraikan di bawah ini. Adapun langkahnya sebagai berikut : a. Klik Analyze b. Klik Scale c. Klik Reliability Analysis (Keluarkan sikap 3 dari kotak items karena tidak valid) Tampilan dibawah ini : 49

58 d. Klik OK Tampilan sebagai berikut : Item-Total Statistics Cronbach's Scale Mean if Scale Variance if Corrected Item- Alpha if Item Item Deleted Item Deleted Total Correlation Deleted sikap1 5,06 4,063,931,952 sikap2 4,94 4,196,961,929 sikap4 4,88 4,383,900,973 Berdasarkan hasil output tersebut maka langkah berikutnya melakukan analisis setiap item pertanyaan dalam kuesioner penelitian. Namun, dalam melakukan analisis sudah di jelaskan pada uraian di atas dan akan diperjelaskan lagi dibawah ini : a. Menentukan nilai tabel Nilai r tabel dilihat pada tabel r (terlampir). Rumus : df = n = 14. Pada tingkat kemaknaan 5%, maka nilai r tabel = 0,497. b. Menentukan nilai r tabel 50

59 Nilai r tabel di lihat pada tabel Item- Total Statistics tepat pada sub judul tabel Corrected Item-Total Correlation. No Nama variabel r hasil r tabel Keterangan 1 Sikap 1 0,931 0,497 Valid 2 Sikap 2 0,961 0,497 Valid 3 Sikap 4 0,900 0,497 valid c. Kesimpulan uji validitas Berdasarkan hasil analisis pada sikap 1, 2, dan 4, bahwa nilai r hasil lebih besar dari r tabel, sehingga dapat disimpulkan bahwa ketiga pertanyaan tersebut valid. 2. Uji reliabilitas Reliabilitas merupakan suatu ukuran yang menunjukkan sejauhmana hasil pengukuran tetap konsisten setelah dilakukan analisis pada setiap item pertanyaan. Misalkan seseorang ingin mengukur jarak dari satu tempat ke tempat yang lainnya dengan mengunakan dua jenis alat ukur. Dimana alat ukur pertama menggunakan meteran yang terbuat dari logam, sedangkan alat ukur kedua dengan menghitung langkah kaki. Pengukuran dengan meteran logam mendapatkan hasil yang sama jika dilakukan pengukuran berulang, namun jika melakukan pengukuran dengan langkah kaki dan dilakukan berulang kemungkinan hasilnya akan berbeda. Sehingga dengan demikian dapat disimpulkan, bahwa meteran logam lebih riable dibandingkan langkah kaki untuk mengukur jarak. Reliabilitas menyangkut masalah ketepatan alat ukur. Dalam melakukan analisis suatu data penelitian reliabilitas lebih mudah dilakukan dengan analisis menggunakan program SPSS. Penilaian uji reliabilitas dilakukan dengan rumus Croanbach Alpha. 51

60 Dalam mengetahui reliabilitas setiap item pertanyaan yang sudah valid maka dengan melakukan uji Croanbach Alpha, menurut Sutanto Priyo Hastono (2007) dimana keputusan ujinya sebagai berikut : a. Bila Croanbach Alpha 0,6 maka variabel reliabel b. Bila Croanbach Alpha < 0,6 maka variabel tidak reliabel Dalam penelitian kuantitatif, pengukuran reliabilitas dikenal dua cara yaitu : a. Repeated measure atau ukur ulang. Ukur ulang dilakukan pada pertanyaan yang jarak waktunya berbeda, misalkan pada sebulan kemudian. b. One shot atau ukur sekali saja. Pengukurannya sekali saja dan hasilnya dibandingkan dengan pertanyaan lain. Biasannya pengujian dilakukan dengan terlebih dahulu menguji validitas terlebih dahulu. Jika pertanyaan tidak valid, maka pertanyaan tersebut dibuang dan secara bersama sama diukur reliabilitasnya. Berdasarkan pada uji validitas diatas, bahwa pertanyaan yang valid yaitu sikap 1, 2 dan 4, maka dilakukan uji reliabilitas. Untuk mengetahui reliabilitas maka caranya adalah membandingkan nilai Cronbach Alpha dengan nilai standar yaitu 0,6. Berdasarkan hasil output analisis SPSS didapatkan nilai Cronbach Alpha yakni : Reliability Statistics Cronbach's Alpha N of Items,967 3 Dimana nilai Cronbach Alpha pada pertanyaan sikap 1, 2 dan 4 adalah 0,967. Jadi nilai Cronbach Alpha = 0,967 > 0,6 maka ketiga pertanyaan tersebut reliabel. 52

61 BAB V ANALISIS UNIVARIAT Analisis univariat atau deskriptif merupakan salah satu analisis yang ada dalam penelitian kuantitatif. Analisis data secara deskriptif merupakan analisis dengan cara mendeskripsikan atau menggambarkan suatu data. Tujuan analisis deskriptif adalah untuk menjelaskan atau menggambarkan masing masing variabel penelitian. Analisis univariat ini dilakukan untuk melihat distribusi frekuensi dari setiap variabel, baik variabel dependen maupun variabel independen yang termasuk dalam variabel penelitian, sehingga rumus yang digunakan menurut Sutanto Priyo Hastono (2007), sebagai berikut : x P = X 100 % n Keterangan : P = frekuensi x = jumlah yang didapat n = jumlah sampel Secara teknis, analisis data secara deskriptif merupakan kegiatan yang dilakukan dengan meringkas kumpulan data. Melakukan ringkasan data pada suatu penelitian deskriptif khususnya yang berkaitan dengan analisis univariat atau deskriptif maka harus mencakup ukuran tengah dan ukuran variasi. Pada analisis univariat atau deskriptif yang termasuk dalam ukuran tengah adalah rata-rata (mean), nilai tengah (median) dan angka yang sering muncul (modus). Sedangkan, analisis univariat atau deskriptif yang termasuk ukuran variasi adalah range, standar deviasi, varian dan koefisien varian. Berdasarkan penjelasan diatas, maka dapat di uraikan yang termasuk dalam ukuran tengah dan ukuran variasi yang termasuk dalam data jenis numerik dan jenis data katagorik. 53

62 A. Data jenis numerik Termasuk data jenis numerik diantaranya adalah : 1. Ukuran tengah Ukurang tengah merupakan ukuran ringkasan sekelompok data yang mencerminkan dari nilai nilai hasi pengukuran. Dalam melihat ukuran tengah tersebut, ada beberapa cara yang sering digunakan untuk melihat ukuran tengah, diantanya yaitu : a. Mean (rata-rata) Mean adalah ukuran rata-rata atau nilai tengah yang merupakan hasil dari jumlah kumpulan data hasil dari pengukuran. Secara sederhana rumusan nilai mean dapat dituliskan dibawah ini : Mean mempunyai keuntungan yakni mudah menghitungnya dan melibatkan semua data dalam perhitunggannya. Secara sederhana cara menghitungnya adalah sebagai berikut : Contoh : ada 10 mahasiswa dihitung lama masuknya dalam 1 minggu (6 hari, 5 hari, 5, hari, 6 hari, 6 hari, 6, hari, 4 hari, 5 hari, 5, hari dan 4 hari). Mean = /10 = 52/10 = 5,2 hari. Dari hitungan tersebut didapatkan rata-rata mahasiswa yang masuk kuliah dalam 1 minggu adalah 5, 2 hari atau 5 hari. b. Median (nilai tengah) Median merupakan nilai tengah yang diurutkan dari angka yang terkecil sampai angka yang terbesar. Secara sederhana cara menghitung nilai median pada rumus dibawah ini : n+1/2 54

63 Contoh : ada 12 mahasiswa dihitung lama masuknya dalam 2 minggu (9 hari, 10 hari, 8, hari, 8 hari, 9 hari, 10, hari, 7 hari, 6 hari, 7, hari, 9 hari, 10 hari, dan 6 hari). Langkah menghitungnya adalah sebagai berikut : Data diurutkan : 6, 6, 7, 7, 8, 8, 9, 9, 9, 10, 10, 10 Posisi Median = (8+9)/2 = 8,5 Dari hitungan tersebut didapatkan nilai mediannya adalah 8,5 hari. c. Modus (nilai yang sering muncul) Modus merupakan nilai yang paling banyak muncul. Contoh : ada 10 mahasiswa dihitung lama masuknya dalam 1 minggu (6 hari, 6 hari, 5, hari, 6 hari, 6 hari, 6, hari, 4 hari, 5 hari, 5, hari dan 4 hari). Modus = 4, 4, 5, 5, 5, 6, 6, 6, 6, 6,. Didapatkan nilai modusnya adalah 6 hari. Perhatian : dalam suatu data terkadang ada angka yang ekstrim, maka pada data tersebut, nilai yang paling tepat digunakan adalah nilai tengah atau median. 2. Ukuran variasi Ukuran variasi merupakan ukuran yang menunjukkan data bervariasi dan tidak bervariasi. Data dari suatu penelitian tentunya sangat berbeda antara data yang didapatkan dari satu responden dengan responden yang lainnya. Dalam mengetahui perbedaan data dari responden maka digunakan ukuran variasi. Ukuran variasi yang digunakan meliputi range, standar deviasi, varian dan koefisien varian. Jenis jenis ukuran variasi akan dijelaskan pada uraian dibawah ini, yakni meliputi : 55

64 a. Range Range merupakan nilai yang dihitung dari nilai yang tertinggi dikurang dengan nilai yang terendah. Range digunakan dalam perhitungan yang paling mendasar. Nilai range dapat dilakukan dengan perhitungan yang cepat. b. Varian Varian merupakan nilai rata rata perbedaan antara nilai mean dengan nilai observasi. Dalam menghitung varian maka digunakan rumus, yakni : c. Standar deviasi (simpangan baku) Standar deviasi (simpangan baku) merupakan akar dari nilai varian. Dalam menghitung standar deviasi maka digunakan rumus dibawah ini : d. Koefisien varian Koefisien varian merupakan rasio antara nilai standar deviasi dengan nilai mean. Rumus koefisien varian seperti dibawah ini : Koefisien varian digunakan dalam membandingkan antara variasi dua kelompok atau lebih dengan data yang berbeda dalam mengetahui nilai rata ratanya. 56

65 B. Jenis Data Katagorik Data katagorik merupakan jenis data dari hasil peneliatian di buat hanya menggunakan distribusi frekuensi dengan ukuran persentase. Data katagorik hanya memberikan informasi yang penting dan disampaikan tidak menggunakan ukuran mean atau median. Data katagorik dalam penelitian hanya mendeskripsikan masing masing variabel penelitian. Analisi univariat juga digunakan dalam mengeksplorasikan dari tiap tiap variabel penelitian. Jenis data katagorik akan lebih jelas pada contoh dibawah ini, yakni sebagai berikut : Misalkan : kampung A hanya memiliki tamatan SMP berjumlah 60 orang dan tamatan SMA berjumlah 40 orang. Sehingga jumlah dikampung A yang bersekolah sebanyak 100 orang. Berdasarkan contoh kasus diatas, maka dalam analisis univariat bentuk penyajiannya sebagai berikut : Tabel 1 Distribusi responden menurut tingkat pendidikan No Pendidikan Jumlah Persentase 1 2 SMP SMA % 40 % Total % Berdasarkan tabel 1, bahwa tingkat pendidikan di kampung A yang paling banyak adalah tamatan SMP dengan persentase 60 % dan yang paling rendah adalah tamatan SMA dengan perentase 40 %. Pada contoh kasus diatas, bahwa data katagorik hanya menjelaskan tingkat pendidikan berdasarkan jumlah dan persentase, tidak menggunakan ukuran nilai mean atau median. Data katagorik yang dideskripsikan hanya tingkat pendidikannya, contoh kasus diatas hanya menjelaskan tingkat pendidikan yang tertinggi dan terendah yakni pada tamatan SMP dan SMA. 57

66 C. Analisis Data Numerik dengan Program SPSS Analisis univariat atau deskriptif jenis numerik merupakan jenis data yang akan dideskripsikan berbentuk angka angka. Dalam penelitian kuantitatif analisis univariat paling umum digunakan. Data numerik pada suatu penelitian akan lebih mudah dianalisis secara komputerisasi dengan menggunakan program SPSS. Analisis data numerik dengan program SPSS pada contoh di bawah ini : Data suatu penelitian : No Umur BB Pendidikan

67 Keterangan : pendidikan dengan kode 1 = SD kode 2 = SMP, kode 3 = SMA dan kode 4 = PT Pada tabel diatas dalam melakukan analisis univariat jenis numerik terlebih dahulu data diatas dimasukkan ke dalam SPSS, adapun data jenis numerik yang akan dianalisis adalah umur. Adapun langkah analisis numerik sebagai berikut : 1. Pilih Analyze 2. Pilih Descriptive Statistic 3. Pilih Frequencies Pada tampilan berikut : 59

68 4. Klik Frequencies Pada tampilan berikut : 5. Pilih variabel yang akan dianalisis yaitu umur 6. Klik tanda panah sampai umur masuk ke kotak variable (s) Pada tampilan berikut : 7. Klik Statistics 8. Klik mean, median, standar deviasi, mode, minimum, maximum dan S.E. mean. 60

69 Pada tempilan berikut : 9. Klik continue 10. Klik charts muncul menu baru 11. Klik histograms 12. Klik show normal curve on histogram Pada tampilan berikut : 13. Klik continue 14. Klik OK 61

70 Pada hasil output terlihat distribusi frekuensi dan ukuran statistik beserta grafik histogram serta kurve normalnya. Pada tampilan berikut : Frequencies umur responden Statistics N Valid 50 Missing 0 Mean 56,60 Std. Error of Mean 1,273 Median 55,00 Mode 46 a Std. Deviation 9,001 Minimum 45 Maximum 75 a. Multiple modes exist. The smallest value is shown umur responden Frequency Percent Valid Percent Cumulative Percent Valid ,0 2,0 2, ,0 10,0 12, ,0 8,0 20, ,0 6,0 26, ,0 4,0 30, ,0 10,0 40, ,0 2,0 42, ,0 2,0 44, ,0 2,0 46, ,0 2,0 48, ,0 4,0 52, ,0 2,0 54, ,0 2,0 56, ,0 2,0 58, ,0 10,0 68, ,0 4,0 72, ,0 4,0 76, ,0 4,0 80, ,0 6,0 86, ,0 4,0 90, ,0 2,0 92, ,0 4,0 96, ,0 2,0 98, ,0 2,0 100,0 Total ,0 100,0 62

71 Berdasarkan hasil analisis univariat pada data numerik didapatkan bahwa rata rata umur responden adalah 56,60 tahun, median 55,00 tahun dan standar deviasi 9,00 tahun serta umur yang paling muda adalah 45 tahun dan umur yang paling tua adalah 75 tahun. Distribusi frekuensi ditampilkan dari usia yang paling muda hingga usia yang paling tua dengan informasi berupa jumlah dan persentase. Distribusi data berbentuk grafik histogram dan kurvenya normal. Pada hasil tersebut belum diketahui informasi estimasi interval yang penting sehingga perlu dilakukan estimasi parameter populasi. Adapun cara memperoleh estimasi interval sebagai berikut : 1. Pilih Analyze 2. Pilih Descriptive Statistic 3. Pilih Explore Pada tampilan berikut ini : 63

72 4. Klik Explore Pada tampilan berikut ini : 5. Pilih Variabel umur ke kotak dependent list Pada tampilan berikut ini : 64

73 6. Klik Plots 7. Klik Normality plots With Test Pada tampilan berikut ini : 8. Klik Continue 9. Klik OK 65

74 Tampilan outputnya sebagai berikut : Explore Case Processing Summary Cases Valid Missing Total N Percent N Percent N Percent umur responden ,0% 0 0,0% ,0% Descriptives Statistic Std. Error umur responden Mean 56,60 1,273 95% Confidence Lower Bound 54,04 Interval for Mean Upper Bound 59,16 5% Trimmed Mean 56,24 Median 55,00 Variance 81,020 Std. Deviation 9,001 Minimum 45 Maximum 75 Range 30 Interquartile Range 16 Skewness,427,337 Kurtosis -1,122,662 Tests of Normality Kolmogorov-Smirnov a Shapiro-Wilk Statistic df Sig. Statistic df Sig. umur responden,168 50,001,914 50,001 a. Lilliefors Significance Correction 66

75 umur responden umur responden Stem-and-Leaf Plot Frequency Stem & Leaf, , , , , , , , Stem width: 10 Each leaf: 1 case(s) 67

76 Berdasarkan hasil analisis univariat pada data numerik yaitu umur responden. Hasil analisis Explore menunjukan bahwa ada nilai mean, median dan mode. Tetapi yang paling penting dari hasil analisis tersebut adalah adanya angka estimasi interval. Estimasi interval dari umur responden, dengan nilai 95 % Confidence interval umur adalah 54,04 sampai dengan 59,16. Sehingga, rata rata umur responden berada pada usia 54,04 tahun sampai usia 59,16 tahun. Dalam mengetahui data berdistribusi normal, maka dilakukan uji kenormalan data. Uji kenormalan data dapat dilakukan dengan tiga cara yaitu : 1. Grafik histogram dan kurva normal Pada grafik histogram dan kurva menunjukkan bentuknya seperti bel shape yang berarti distribusi normal 2. Nilai Skewness dan Standar Errornya Nilai skewness dibagi standar error dengan hasilnya 2, yang berarti distribusinya normal 3. Uji kolmogorov smirnov Pada uji kolmogorov smirnov menunjukkan hasil uji tidak signifikan dimana p value > 0,05, maka distribusi normal. Pada uji kolmogorov smirnov jika sampel dengan jumlah besar maka menghasilkan uji yang normal. Jadi, pada kelemahan uji kolmogorov smirnov tersebut peneliti disaran melihat kenormalan data pada uji skewness dan melihat grafik histogram serta kurva normalnya. Berdasarkan hasil uji analisis deskriptif pada data numerik yaitu umur responden, pada grafik histogram dan kurva normal menunjukkan bentuk yang normal. Sedangkan hasil dari nilai skewness dibagi nilai standar error yaitu : 0,427/1,273 = 0,335, hasil tersebut masih dibawah 2, sehingga dapat disimpulkan bahwa variabel umur berdistribusi normal. 68

77 Hasil analisis pada data numerik di masukkan dalam bentuk tabel pada suatu penelitian dan dijelaskan atau diinterpretasikan. Hasil analisis data numerik disajikan sebagai berikut : Tabel 1 Distribusi umur responden Variabel Mean SD Min-Max 95% CI Umur 56,60 9, ,04-59,16 Berdasarkan tabel 1. Didapatkan hasil bahwa rata rata umur responden adalah 56,60 tahun dengan variasi sebesar 9,001 tahun. Umur responden yang paling muda berusia 45 tahun dan umur responden yang paling tua berusia 75 tahun. Hasil survei menunjukkan bahwa 95% responden mempunyai rata rata usia diantara 54,04 tahun sampai dengan 59,16 tahun. D. Analisis Data Katagorik dengan program SPSS Analisis univariat jenis data katagorik digunakan untuk menjelaskan tabulasi data katagorik hanya menampilkan jumlah dan persentase setiap variabel penelitian. Analisis data katagorik dengan program SPSS pada contoh di bawah ini : Data suatu penelitian : No Umur BB Pendidikan

78 Keterangan : pendidikan dengan kode 1 = SD kode 2 = SMP, kode 3 = SMA dan kode 4 = PT Pada tabel diatas, bahwa analisis univariat jenis data katagorik yang akan dilakukan analisis adalah variabel pendidikan. Sebelum melakukan analisis univariat data katagorik, terlebih dahulu dimasukkan pada program SPSS yaitu variabel pendidikan. 70

79 Adapun langkah langkah analisis univariat jenis data katagorik adalah sebagai berikut : 1. Pilih Analyze 2. Pilih Descriptive 3. Pilih Frequencies Pada tampilan berikut ini : 4. Klik Frequencies Pada tampilan berikut ini : 71

80 5. Pilih variabel Pendidikan responden pindahkan ke kotak variable (S) Pada tampilan berikut ini : 6. Klik OK Tampilan outputnya sebagai berikut : Frequencies Statistics pendidikan responden N Valid 50 Missing 0 pendidikan responden Frequency Percent Valid Percent Cumulative Percent Valid SD 9 18,0 18,0 18,0 SMP 19 38,0 38,0 56,0 SMA 12 24,0 24,0 80,0 PT 10 20,0 20,0 100,0 Total ,0 100,0 Berdasarkan hasil analisis univariat jenis data katagorik pada tabel diatas, bahwa Frequency menunjukkan jumlah tingkat pendidikan berdasarkan jenjang pendidikan yang ditempuh oleh responden. Jumlah responden diatas adalah 50 orang, dimana jumlah responden 72

81 yang berpendidikan SD sebanyak 9 orang, SMP sebanyak 19 orang, SMA sebanyak 12 orang dan PT sebanyak 10 orang. Sedangkan, proporsi dilihat pada Percent dimana pada jenjang pendidikan SMP sebesar 38 %. Pada kolom valid percent menunjukkan bahwa hasil analisis setiap tingkatan pendidikan sesuai dengan hasil penelitian dan tidak ada data yang hilang. Demikian juga, pada kolom Cumulative percent menunjukkan tentang jumlah persentase setiap jenjang pendidikan. Hasil analisis pada data katagorik di masukkan dalam bentuk tabel pada suatu penelitian dan dijelaskan atau diinterpretasikan. Hasil analisis data katagorik disajikan sebagai berikut : Tabel 1 Distribusi tingkat pendidikan responden No Pendidikan Jumlah Persentase SD SMP SMA PT % 38 % 24 % 20 % Total % Berdasarkan tabel 1. Diperoleh bahwa tingkat pendidikan responden yang paling banyak adalah berpendidikan SMP sebesar 38 %. Sedangkan, untuk pendidikan SD, PT dan SMA masing masing sebesar 18 %, 20 % dan 24 %. 73

82 BAB VI ANALISIS BIVARIAT Analisis bivariat merupakan suatu analisis statistik yang dilakukan dalam mengetahui hubungan dua variabel penelitian. Analisis bivariat terdiri atas metode metode statistik inferensial yang biasanya digunakan dalam menganalisis data dua variabel penelitian. Kegunaan dari analisis bivariat diantaranya untuk mengukur kekuatan hubungan antar dua variabel atau lebih dan untuk mengetahui apakah ada hubungan yang signifikan antara dua variabel atau lebih. A. Hipotesis Hipotesis berasal dari kata hupo dan thesis. Arti kata hupo berarti sementara atau lemah sedangkan thesis berarti pernyataan. Hipotesis berguna untuk melakukan perbandingan antara data hasil penelitian dengan nilai populasi. Uji hipotesis berfungsi untuk mengetahui apakah hubungannya ditolak atau diterima, jika di terima maka ada hubungan yang bermakna antar variabel penelitian dan jika ditolak maka tidak ada hubungan yang bermakna antar variabel penelitian. Untuk menguji kebenaran hipotesis, maka digunakan pengujian hipotesis yang terbagi dalam dua jenis hipotesis yaitu hipotesis nol (Ho) dan hipotesis alternatif (Ha). Kedua hipotesis tersebut akan diuraikan dibawah ini : 1. Hipotesis Nol (Ho) Hipotesis nol (Ho) merupakan suatu hipotesis yang menyatakan tidak ada hubungan atau tidak ada perbedaan antara variabel yang satu dengan variabel yang lainnya. 2. Hipotesis Alternatif (Ha) Hipotesis Alternatif (Ha) merupakan suatu hipotesis yang menyatakan ada hubungan atau ada perbedaan antara variabel yang satu dengan variabel yang lainnya. 74

83 Kedua hipotesis tersebut akan lebih mudah dipahami pada beberapa contoh hipotesis di bawah ini : a. Hipotesis Nol (Ho) Contoh : Tidak ada perbedaan antara pengetahuan ibu rumah tangga dengan kecelakaan pada balita yang tinggal di kota dengan balita yang tinggal di desa Tidak ada hubungan antara pengetahuan ibu rumah tangga dengan kecelakaan pada balita b. Hipotesis Alternatif (Ha) Contoh : Ada perbedaan antara pengetahuan ibu rumah tangga dengan kecelakaan pada balita yang tinggal di kota dengan balita yang tinggal di desa Ada hubungan antara pengetahuan ibu rumah tangga dengan kecelakaan pada balita B. Arah dan bentuk hipotesis Pada umumnya bentuk hipotesis akan menentukan arah uji statistik tersebut. Dimana hipotesis alternatif menentukan arah uji statistik satu arah (One tail) atau dua arah (Two tail). Kedua arah tersebut akan diuraikan dibawah ini : 1. One tail One tail menunjukkan jika hipotesis alternatif ada perbedaan dan ada pernyataan yang mengatakan dimana satu hal lebih tinggi atau lebih rendah dari hal yang lain. 2. Two tail Two tail menunjukkan jika hipotesis alternatif hanya menyatakan ada perbedaan dan tanpa melihat satu hal lebih tinggi atau lebih rendah dari hal yang lain. 75

84 Kedua arah tersebut akan lebih mudah dipahami pada uraian di bawah ini : a. One tail Contoh : Pengetahuan ibu rumah tangga yang tinggal di desa lebih rendah dibanding pengetahuan ibu rumah tangga yang tinggal di kota b. Two tail Contoh : Pengetahuan ibu rumah tangga yang tinggal di desa berbeda dibanding pengetahuan ibu rumah tangga yang tinggal di kota Ada perbedaan pengetahuan ibu rumah tangga yang tinggal di desa dibandingkan dari ibu rumah tangga yang tinggal di kota C. Tingkat kemaknaan Tingkat kemaknaan atau lebih dikenal dengan nilai α merupakan besarnya nilai peluang salah dalam menolak hipotesis nol. Tingkat kemaknaan dengan tujuan menentukan adanya perbedaan antara nilai sampel dengan jumlah populasi sebagai suatu hipotesis. Kriterian atau batasan dalam memutuskan hipotesis, apakah hipotesis nol ditolak atau diterima yang disebut dengan tingkat kemaknaan (Level of Significance). Tingkat kemaknaan dilambangkan dengan α, dalam tingkat kemaknaan nilainya dinyatakan dalam persen misalkan α = 5% atau α = 10%. Artinya adalah keputusan peneliti dalam menolak atau menerima hipotesis nol yang memiliki probabilitas keselahan sebesar 5% dan 10%. D. Nilai P Nilai p adalah nilai yang menunjukkan besarnya suatu peluang dalam penelitian. Nilai p menentukan besarnya peluang dari hasil penelitian yaitu pada nilai mean. Hasil yang didapatkan dari nilai p adalah sekecil mungkin, karena nilai p yang kecil berarti adanya perbedaan pada populasi dan 76

85 adanya perbedaan bukan terjadi kebetulan saja, tetapi disebabkan adanya suatu kebenaran perbedaan yang terjadi. Nilai p dapat lebih mudah dipahami pada uraian dibawah ini : Contoh : Suatu penelitian ingin mengetahui hubungan riwayat penyakit TBC pada lansia. Berdasarkan hasil penelitian bahwa lansia mempunyai riwayat TBC rata-rata sebanyak 450 orang, sedangkan yang tidak mempunyai riwayat penyakit TBC rata-rata sebanyak 370 orang dari total lansia sebanyak 1340 orang. Pertanyaan : Apakah perbedaan riwayat TBC pada lansia tersebut untuk seluruh populasi yang diteliti atau hanya sebagian saja? Jawaban : Berdasarkan contoh kasus tersebut maka uji statistik yang tepat digunakan adalah uji t. Alasan mengunakan uji t adalah karena dua kelompok data yang berasal dari variabel independen atau dua kelompok data yang berasal dari variabel dependen. E. Penentuan Uji Statistik Bivariat Keputusan uji statistik pada suatu penelitian tergantung dari jenis variabel yang diteliti. Hasil pengujian statistik menghasilkan dua kemungkinan keputusan yaitu menerima hipotesis (Ho) atau menolak hipotesis (Ho). Seiring dengan kemajuan teknologi maka, uji statistik lebih mudah dan cepat digunakan secara komputerisasi dengan menggunakan program yang tersedia seperti program SPSS, Epi info, SAS dan sebagainya. Namun, dalam buku ini penulis hanya membahas penggunaan uji statistik menggunakan program SPSS. 77

86 Pada ketentuan uji statistik yang digunakan dalam suatu penelitian, akan lebih mudah dipahami pada uraian berikut ini : Variabel 1 Variabel 2 Jenis uji statistik yang digunakan Katagorik Katagorik 1. Chi Square / Kai kuadrat Katagorik Numerik 1. Uji T 2. ANOVA Numerik Numerik 1. Korelasi 2. Regresi Berdasarkan tabel diatas, maka akan dijelaskan uji statistik tersebut pada bab berikut. 78

87 BAB VII ANALISIS BIVARIAT (HUBUNGAN) KATAGORIK DENGAN KATAGORIK A. Uji Chi Square / Uji Kai Kuadrat Uji Chi Square / Uji Kai Kuadrat merupakan pengujian yang bertujuan untuk mengetahui perbedaan proporsi dua atau lebih variabel penelitian. Data dalam uji Chi Square / Uji Kai Kuadrat harus berbentuk data katagorik. Analisis bivariat yang harus dilakukan adalah analisis antara variabel independen dan variabel dependen. Rumus yang digunakan dalam Uji Chi Square / Uji Kai Kuadrat menurut Sutanto Priyo Hastono (2007), sebagai berikut : Rumus Chi Square : X 2 = [(O E) 2 /E] Keterangan : X 2 = nilai chi square O = nilai hasil observasi (observed) E = nilai yang di harapkan (expected) = penjumlahan Hasil statistik chi square dibandingkan dengan X (table chi square) pada tingkat signifikan tertentu yang sesuai dengan derajat kebebasan (degree off freedom) diperoleh dengan mengunakan rumus menurut Sutanto Priyo Hastono (2007), yakni : Rumus degree off freedom : df = (R I) (C I) Keterangan : R = jumlah baris C = jumlah kolom 79

88 df = derajat kebebasan (degree of freedom) Uji kemaknaan dalam Uji Chi Square dapat menggunakan batas kemaknaan misalkan menggunakan batas kemaknaan sebesar 5 % (0,05), akan diuraikan dibawah ini : 1. Jika Nilai p value < 0,05, maka Ho ditolak yang artinya data sampel mendukung adanya perbedaan bermakna (signifikan). 2. Jika Nilai p value > 0,05, maka Ho gagal ditolak yang artinya data sampel tidak mendukung adanya perbedaan bermakna. Dengan ketentuan sebagai berikut : 1. Perhitungan person chi square dipakai bila tabel lebih dari 2x2, misalnya 3x2, 3x3 dan seterusnya. 2. Perhitungan continuity correction dipakai bila tabel 2x2 dan tidak ada nilai expection (E) kurang dari 5 atau kurang dari 20 % dari jumlah sel dalam tabel. 3. Perhitungan fesher s exact test dipakai tabel 2x2 dan didapatkan nilai expection (E) kurang dari 5 atau kurang dari 20 % dari jumlah sel dalam tabel. Dari hasil perhitungan uji chi square, jika nilai p value lebih kecil dari nilai alpha (0,05), maka ada hubungan bermakna antara variabel independen dengan variabel dependen dan untuk mengetahui lebih lanjut estimasi risiko dilakukan OR. Sehingga untuk melihat kekuatan hubungan dianalisis melalui perhitungan nilai odds ratio (OR) pada confidence interval (CI) 95 %. B. Odds Ratio (OR) Odds Ratio (OR) dalam Uji Chi Square / Uji Kai Kuadrat bertujuan untuk mengetahui variabel yang memiliki risiko lebih besar pada suatu penelitian. Cara menghitung odds ratio (OR) sebagai berikut : 80

89 Faktor risiko Risiko tinggi Risiko rendah Faktor risiko (+) a B Faktor risiko (-) c D Jumlah a + c b + d Keterangan : a c a Risiko tinggi : : = a + c a + c c b d b Risiko rendah : : = b + d b + d d a d sehingga OR = b c Interpretasi odds ratio (OR) sebagai berikut : 1. OR = 1, artinya tidak ada hubungan 2. OR < 1, artinya faktor proteksi atau perlindungan 3. OR > 1, artinya faktor risiko Berdasarkan uraian diatas, maka Uji Chi Square / Kai Kuadrat akan lebih jelas pada contoh dibawah ini : Penelitian dengan judul : hubungan perilaku dengan kejadian penyakit Data suatu penelitian : rematik di desa x tahun x No Pengetahuan Sikap Praktik Rematik

90 Keterangan : pengetahuan = tinggi kode 1, rendah kode 0. Sikap = posiitif kode 1, negatif kode 0. Pratek = baik kode 1, buruk kode 0. kejadian rematik = menderita rematik 0 dan tidak menderita remaik kode 1. Pada tabel diatas, bahwa data pengetahuan dan rematik berbentuk katagorik. Dimana variabel pengetahuan sebagai variabel independen dan variabel rematik sebagai variabel dependen. Variabel pengetahuan dibentuk menjadi 82

91 data katagorik yakni pengetahuan tinggi dan pengetahuan rendah, sedangkan variabel rematik dibentuk data katagorik yakni penderita rematik dan bukan penderita rematik. Pada penjelasan diatas, bahwa jenis data yang akan dilakukan analisis adalah jenis data katagorik, dikarenakan sudah dikelompokkan. Oleh sebab itu, jenis analisis yang harus digunakan adalah analisis bivariat jenis uji Chi square / kai kuadrat pada jenis data katagorik. Jenis variabel yang akan dilakukan analisis adalah variabel pengetahuan dan variabel rematik. Analisis tersebut akan lebih mudah dipahami pada uraian dibawah ini. Sebelum melakukan analisis bivariat pada data jenis katagorik dengan data jenis katagorik yakni pada variabel independen dengan variabel dependen pada suatu penelitian, terlebih dahulu dimasukkan pada program SPSS. Adapun langkah langkah analisis bivariat uji chi square / kai kuadrat jenis data katagorik adalah sebagai berikut : 1. Pilih Analyze 2. Pilih Descriptive Statistics 3. Pilih Crosstabs Pada tampilan berikut ini : 83

92 4. Klik Crosstabs Pada tampilan berikut ini : 5. Masukkan Variabel pengetahuan ke kotak Row(s) 6. Masukkan Variabel rematik ke kotak Column(s) Pada tampilan berikut ini : 84

93 7. Klik Statistics 8. Klik Chi Square 9. Klik Risk Pada tampilan berikut ini : 10. Klik Continue 11. Klik Cells 12. Klik Row Pada tampilan berikut ini : 85

94 13. Klik Continue 14. Klik OK Tampilan output sebagai berikut : Crosstabs tingkat pengetahuan tingkat pengetahuan * kejadian penyakit Crosstabulation kejadian penyakit penderita rematik bukan penderita rematik Total rendah Count % within tingkat pengetahuan 68,0% 32,0% 100,0% tinggi Count % within tingkat pengetahuan 28,0% 72,0% 100,0% Total Count % within tingkat pengetahuan 48,0% 52,0% 100,0% Chi-Square Tests Asymp. Sig. Exact Sig. Exact Sig. Value Df (2-sided) (2-sided) (1-sided) Pearson Chi-Square 8,013 a 1,005 Continuity Correction b 6,490 1,011 Likelihood Ratio 8,244 1,004 Fisher's Exact Test,010,005 N of Valid Cases 50 a. 0 cells (0,0%) have expected count less than 5. The minimum expected count is 12,00. b. Computed only for a 2x2 table Risk Estimate 95% Confidence Interval Value Lower Upper Odds Ratio for tingkat pengetahuan (rendah / tinggi) 5,464 1,627 18,357 For cohort kejadian penyakit = penderita rematik 2,429 1,226 4,811 For cohort kejadian penyakit = bukan penderita rematik,444,239,827 N of Valid Cases 50 86

95 Berdasarkan hasil output tersebut, bahwa hasil analisis bivariat pada tabel Chi-Square Test pada tabel 2x2 menunjukkan tidak ada nilai expection (E) maka, nilai continuity correction yang digunakan dan jika nilai P value < 0.05 artinya ada hubungan yang signifikan. Hasil analisis bivariat data Katagorik pada Chi Square di masukkan dalam bentuk tabel pada suatu penelitian dan dijelaskan atau diinterpretasikan. Hasil analisisnya akan disajikan sebagai berikut : Tabel 1 Hubungan pengetahuan responden dengan kejadian penyakit rematik Tingkat pengetahuan Kejadian penyakit Penderita Bukan Penderita Total rematik rematik n % N % n % OR (95% CI) P Value Tinggi Rendah ,0 68, ,0 32, ,464 1,6 18,3 0,011 Jumlah 24 48, , Berdasarkan tabel 1. Didapatkan bahwa responden yang memiliki pengetahuan rendah lebih banyak menderita penyakit rematik sebesar 68,0% dibandingkan responden dengan pengetahuan tinggi sebesar 28,0%. Hasil uji statistik didapatkan p value = 0,011, artinya ada hubungan yang signifikan antara pengetahuan responden dengan kejadian rematik. Hasil analisis lebih lanjut diperoleh nilai OR=5,4, artinya responden yang memiliki pengetahuan rendah memiliki faktor resiko terkena penyakit rematik sebesar 5,4 lebih tinggi dibandingkan responden yang memiliki pengetahuan tinggi. Perhatian : OR = signifikan maka dinarasikan OR = tidak signifikan maka tidak perlu dinarasikan Jika P value 0,05 maka variasi berbeda (ada perbedaan) Jika P value > 0,05 maka variasi sama (tidak ada perbedaan) 87

96 BAB VIII ANALISIS BIVARIAT (HUBUNGAN) KATAGORIK DENGAN NUMERIK A. Uji T Uji T merupakan salah satu dari bentuk statistik parametrik yang digunakan dalam uji statistik dua kelompok data penelitian. Uji statistik membandingkan dua kelompok data penelitian maka digunakan uji T atau uji Z, namun yang sering digunakan adalah uji T. Dua kelompok data penelitian yang akan dilakukan uji T tersebut, berasal dari dua kelompok independen atau berasal dari dua kelompok dependen. Berdasarkan jenis data pada uji T, maka dapat dibedakan menjadi dua bagian dalam uji T. Uji T tersebut di bagi dalam dua kelompok, yakni uji T Independen dan uji T dependen. Kedua uji T tersebut akan dijelaskan lebih dalam dalam uraian berikut ini. B. Uji T Independen Uji T Independen pada dua kelompok data memiliki prinsip melihat perbedaan variasi kedua kelompok data. Sehingga, pengujian ini memberikan informasi varian pada kedua kelompok yang akan di uji apakah sama atau tidak. Uji T Independen mempunyai data yang berbentuk numerik dan katagorik. Uji T dua kelompok data Independen mempunyai syarat, diantaranya : 1. Data berdistribusi normal 2. Kedua kelompok data Independen 3. Variabel yang dihubungkan berbentuk numerik dan katagorik Dalam Uji T Independen akan berpengaruh pada nilai standar error, sehingga dalam analisisnya akan menggunakan rumus yang berbeda. 88

97 Adapun Rumus yang digunakan menurut Sutanto Priyo Hastono (2007), sebagai berikut : 1. Uji Untuk Varian sama Rumus : T = X1 X2 Sp (1/n1) + (1/n2) Sp 2 = (n1-1) s1 2 + (n2 1) s2 2 n1 n2-2 Keterangan : df = n1 n2-2 n1 atau n2 = jumlah sampel kelompok 1 atau 2 s1 atau s2 = standar deviasi sampel kelompok 1 atau 2 2. Uji untuk varian berbeda Rumus : T = X1 X2 (S 12 /n1) + (S2 2 /n2) df = [(S 12 /n1) + (S2 2 /n2)] 2 [(S1 2 /n1) 2 /(n1-1)] + [(S2 2 /n2) 2 /(n2-1) 3. Uji homogenitas varian Adapun tujuan dari uji homogenitas varian adalah mengetahui varian antara kelompok data satu dengan kelompk data yang kedua, apakah kelompok data yang satu sama dengan kelompok data yang kedua. Rumus : F = S 1 2 S2 2 df1= n1-1 dan df2 = n2-1 89

98 Pada perhitungan uji F, varian yang lebih besar sebagai pembilang dan varian yang lebih kecil sebagai penyebut. Dalam contoh dibawah ini, uji T Independen melakukan uji hubungan antara perilaku minuman bersoda dengan kejadian Berat Badan. Dimana, berat badan yang digunakan adalah berat badan 1. Uji tersebut melihat apakah ada perbedaan berat badan responden yang mengkonsumsi minuman bersoda dan tidak mengkonsumsi minuman bersoda. Sebagai contoh Uji T Indepeden, akan lebih jelas dan mudah dipahami pada contoh dibawah ini : Rekap data suatu penelitian : No BB1 BB2 Jenis Minuman

99 Keterangan : Jenis Minuman = bersoda kode 0 dan tidak bersoda kode 1. Sebelum melakukan analisis bivariat pada Uji T Independen, dimana data akan di analisis adalah jenis data numerik dan data katagorik yakni pada variabel BB1 dengan variabel minuman bersoda. Sebelum melakukan analisis uji T Independen, terlebih dahulu dimasukkan pada program SPSS. Adapun langkah langkah analisis Uji T Independen adalah sebagai berikut : 1. Pilih Analyze 2. Pilih Compare Means 3. Pilih Independen-Samples T Test Pada tampilan berikut ini : 91

100 4. Klik Independen-Samples T Test Pada tampilan berikut : 5. Pindahkan variabel BB1 ke kotak Test Variable(s) 6. Pindahkan variabel Jenis Minuman Grouping variable Pada tampilan berikut : 92

101 7. Klik Define Group Pada tampilan berikut : 8. Ketiklah angka 0 di kotak Group 1 untuk bersoda 9. Ketiklah angka 1 di kotak Group 2 untuk tidak bersoda Pada tampilan berikut : 93

102 10. Klik Continue 11. Klik OK Tampilan output sebagai berikut : T-Test Group Statistics jenis minuman N Mean Std. Deviation Std. Error Mean BB pertama Bersoda 28 53,79 13,696 2,588 tidak bersoda 22 57,55 14,819 3,159 Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means F Sig. T df Sig. (2- tailed) Mean Differen ce Std. Error Differ ence 95% Confidence Interval of the Difference Lower Upper BB pertama Equal variances assumed Equal variances not assumed,075,786 -,929 48,357-3,760 4,045-11,893 4,373 -,921 43,432,362-3,760 4,084-11,994 4,475 Berdasarkan hasil output diatas, maka dapat diketahui bahwa ada dua uji T dapat dilihat pada : uji T dengan asumsi varian kedua kelompok sama (Equal variances assumed) dan uji T dengan asumsi varian kedua kelompok tidak sama (Equal variances not assumed). Berdasarkan uji T tersebut, maka peneliti harus memilih nilai p value yang harus digunakan. Untuk mengetahui p value mana yang harus digunakan, maka harus melihat kesamaan varian melalui uji Levene. Nilai uji levene dapat diketahui pada : nilai p < alpha (0,05) maka varian berbeda dan jika nilai p > alpha (0,05) maka varian sama. Pada hasil analisis tersebut, bahwa nilai tes leven pada Sig. sebesar p=0.786 maka dapat disimpulkan tidak ada perbedaan pada alpha 5% 94

103 (varian kedua kelompok sama). Kemudian, mencari nilai p pada uji T pada Sig. (2 tailed), yakni sebesar p=0.357 yang berarti tidak ada perbedaan yang signifikan pada rata-rata berat badan antara responden yang minum bersoda dengan responden yang tidak minum bersoda. Hasil analisis bivariat data numerik dengan data katagorik pada uji T Independen di masukkan dalam bentuk tabel pada suatu penelitian dan dijelaskan atau diinterpretasikan. Hasil analisisnya akan disajikan sebagai berikut : Tabel 1 Distribusi rata-rata berat badan responden menurut jenis minuman Jenis minuman Mean SD SE P value N Bersoda Tidak bersoda Berdasarkan tabel 1. Didapatkan bahwa rata-rata berat badan responden yang minuman bersoda kg dengan standar deviasi kg, sedangkan responden yang tidak minuman bersoda ratarata berat badannya adalah kg dengan standar deviasi kg. Hasil uji statistik didapatkan nilai p value = 0,357 > 0.05, berarti tidak ada perbedaan yang signifikan rata-rata berat badan antara responden yang mengkonsumsi minuman bersoda dengan responden yang tidak mengkonsumsi minuman bersoda. C. Uji T Dependen Uji T Dependen merupakan uji untuk mengetahui perbedaan antara dua kelompok data yang dependen. Uji T dependen juga dikenal dengan uji T paired/related atau pasangan. Uji T dependen biasanya digunakan dalam analisis data penelitian eksperimen. Pada uji T dependen bahwa datanya bersifat dependen, artinya kedua kelompok data mempunyai subjek yang sama. 95

104 Uji T Dependen mempunyai syarat, diantaranya : 1. Distribusi data normal 2. Kedua kelompok data dependen 3. Jenis variabel : numerik dan numerik Uji T dependen pada dasarnya mengukur dua kali pada variabel penelitian, seperti mengukur berat badan sebelum makan dengan mengukur berat badan sesudah makan. Kata lain untuk melakukan Uji T dependen adalah melakukan pre dan post. Datanya berbentuk numerik pada variabel yang akan dilakukan analisis. Adapun contoh Uji T dependen yang akan dilakukan analisis, yakni : variabel berat badan responden pada BB1 dengan BB2. Contoh data yang digunakan sama seperti contoh data pada tabel diatas, maka langkah langkah uji T dependen sebagai berikut : 1. Pilih Analyze 2. Pilih Compare Means 3. Pilih Paired-samples T Test Pada tampilan berikut : 4. Klik Paired-samples T Test Pada tampilan berikut : 96

105 5. Klik BB1 dan klik Tanda panah 6. Klik BB2 dan klik Tanda panah Pada tampilan berikut : 7. Klik OK Tampilan output sebagai berikut : T-Test Paired Samples Statistics Mean N Std. Deviation Std. Error Mean Pair 1 BB pertama 55, ,178 2,005 BB kedua 56, ,001 1,273 Paired Samples Correlations N Correlation Sig. Pair 1 BB pertama & BB kedua 50 -,028,847 97

106 Paired Samples Test Paired Differences 95% Confidence Std. Interval of the Std. Error Difference Sig. Mean Deviation Mean Lower Upper t df (2-tailed) Pair 1 BB pertama - BB kedua -1,160 17,006 2,405-5,993 3,673 -,482 49,632 Berdasarkan hasil analisis uji T dependen diatas, bahwa perbedaan nilai uji T dependen secara berpasangan menghasilkan nilai p yang dapat dilihat pada kolom Sig. (2-tailed). Hasil analisis bivariat pada uji T Independen di atas pada berat badan pertama dengan berat badan kedua, akan di masukkan dalam bentuk tabel pada suatu penelitian dan dijelaskan atau diinterpretasikan. Hasil analisisnya akan disajikan sebagai berikut : Tabel 2 Distribusi rata-rata berat badan responden menurut pengukuran pertama dan kedua Variabel Mean SD MD SE P value N Berat Badan Pengukuran 1 Pengukuran Berdasarkan tabel 2. Diperoleh bahwa rata rata berat badan responden pada pengukuran pertama adalah kg dengan standar deviasi kg, sedangkan pengukuran kedua rata rata berat badan adalah kg dengan standar deviasi kg. Terlihat ada perbedaan nilai mean pada pengukuran pertama dan pengukuran kedua sebesar kg dengan standar deviasi hasil uji statistik didapatkan nilai p value = > 0.05, berarti tidak ada perbedaan yang signifikan antara berat badan pengukuran pertama dengan pengukuran kedua. 98

107 BAB IX ANALISIS BIVARIAT (HUBUNGAN) KATAGORIK DENGAN NUMERIK A. UJI ANOVA Uji Anova digunakan jika uji variabel yang akan dilakukan lebih dari dua, hal ini tentu berbeda pada uji T independen maupun uji T dependen yang hanya pada dua variabel. Uji Anova atau Uji F mempunyai prinsip yakni melakukan telaah pada validitas data yang menjadi dua sumber variasi dalam kelompok dan variasi antar kelompok. Dalam melakukan analisis varian atau analisis Anova dikenal dengan dua jenis analisis yaitu analisis varian satu faktor (one way) dan analisis varian dua faktor (two way). Dalam latihan di bawah ini akan lebih jelas tentang analisis varian satu faktor dan analisis varian dua faktor, sebagai berikut : 1. Analisis varian satu faktor (one way) Analisis varian satu faktor (one way) pada data yang digunakan berdistribusi normal. Analisis varian satu faktor (one way) diasumsikan sebagai kelompok pada sampel acak independen dari populasi yang normal dan bervarian homogen. Analisis varian satu faktor banyak digunakan pada penelitian yang melibatkan pengujian komparatif yakni menguji variabel dependen yang membandingkan pada kelompok independen. Analisis ini sering digunakan dalam penelitian survey dan penelitian eksperimen. Adapun contoh Uji Anova satu faktor (one way) pada variabel pendidikan dengan variabel penyakit rematik. Contoh data hasil survei pada responden yang sudah tamat sekolah. Adapun contoh data yang digunakan pada tabel dibawah ini : 99

108 Penelitian dengan judul : faktor faktor yang berhubungan dengan Data suatu penelitian : kejadian penyakit rematik di desa x tahun x. No Pendidikan Sikap Praktik Rematik

109 Keterangan : pendidikan = SD kode 1, SMP kode 2, SMA kode 3, PT kode 4. Sikap = posiitif kode 1, negatif kode 0. Praktek = baik kode 1, buruk kode 0. kejadian rematik = menderita rematik kode 0 dan bukan penderita rematik kode 1. Terlebih dahulu data suatu penelitian di input ke program SPSS sehingga data tersebut dapat dilakukan analisis. Adapun langkahlangkah uji Anova satu faktor sebagai berikut : 1. Pilih Analyze 2. Pilih Compare Means 3. Pilih One-Way ANOVA Pada tampilan berikut : 101

110 4. Klik One-Way ANOVA Pada tampilan berikut : 5. Klik variabel jenis penyakit (rematik) ke kotak Dependent List 6. Kilik variabel pendidikan ke kotak Factor Pada tampilan berikut : 7. Pilih Options 8. Klik Descriptive 9. Klik Homogeneity of variance test Pada tampilan berikut : 102

111 10. Klik Continue 11. Pilih Post Hoc 12. Klik Bonferroni Pada tampilan berikut : 13. Klik Continue 14. Klik OK 103

112 Tampilan output sebagai berikut : Oneway jenis penyakit Descriptives 95% Confidence Interval for Mean Std. Std. Lower Upper N Mean Deviation Error Bound Bound Minimum Maximum SD 22,45,510,109,23, SMP 15,67,488,126,40, SMA 7,57,535,202,08 1, PT 6,33,516,211 -,21, Total 50,52,505,071,38, jenis penyakit Test of Homogeneity of Variances Levene Statistic df1 df2 Sig., ,509 jenis penyakit ANOVA Sum of Squares df Mean Square F Sig. Between Groups,645 3,215,835,482 Within Groups Total 11,835 46,257 12,

113 Post Hoc Tests Multiple Comparisons Dependent Variable: jenis penyakit Bonferroni (I) pendidikan responden (J) pendidikan responden Mean Difference (I-J) Std. Error Sig. 95% Confidence Interval Lower Upper Bound Bound SD SMP -,212,170 1,000 -,68,26 SMA -,117,220 1,000 -,72,49 PT,121,234 1,000 -,52,77 SMP SD,212,170 1,000 -,26,68 SMA,095,232 1,000 -,54,74 PT,333,245 1,000 -,34 1,01 SMA SD,117,220 1,000 -,49,72 SMP -,095,232 1,000 -,74,54 PT,238,282 1,000 -,54 1,02 PT SD -,121,234 1,000 -,77,52 SMP -,333,245 1,000-1,01,34 SMA -,238,282 1,000-1,02,54 Pada uji Anova yakni One Way, Jika nilai F hitung tidak signifikan, berarti rata-rata variabel dependen pada tingkat faktor yang ditentukan identik. Jika F hitung signifikan berarti terdapat perbedaan rata-rata variabel dependen pada tingkat faktor yang telah ditentukan. Hasil analisis tersebut akan diinterpretasikan pada tabel di bawah ini : Tabel 1 Distribusi rata rata kejadian penyakit menurut tingkat pendidikan no Variabel Mean SD 95 % CI P value Pendidikan SD SMP SMA PT 0,45 0,67 0,57 0,33 0,510 0,488 0,535 0,505 0,23 0,68 0,40 0,94 0,08 1,07 0,21 0,88 0,

114 Berdasarkan tabel 2. Diperoleh bahwa rata-rata kejadian penyakit rematik pada responden yang berpendidikan SD sebesar 0,45 % dengan standar deviasi 0,510 %. Responden yang berpendidikan SMP rata-rata kejadian penyakit rematik sebesar 0,67 % dengan standar deviasi 0,488 %. Responden yang berpendidikan SMA rata-rata kejadian penyakit rematik sebesar 0,57 % dengan standar deviasi 0,535 %. Responden yang berpendidikan PT rata-rata kejadian penyakit rematik sebesar 0,33 % dengan standar deviasi 0,505 %. Hasil uji statistik didapatkan nilai p value =0,482 > 0,05, berarti tidak ada perbedaan yang signifikan kejadian penyakit rematik diantara responden yang tamatan SD, SMP, SMA dan PT. 2. Analisis varian dua faktor (two way) Uji Anova Dua Faktor (two way) dilakukan pada variabel kelompok yang dikelompokkan lagi. Sebagai contoh, analisisnya menggunakan data pada uji Anova Satu Faktor (one way) dengan menambahkan satu variabel yaitu Berat Badan. Uji Anova Dua Faktor (two way) bertujuan untuk mengetahui apakah ada pengaruh dari berbagai kriteria yang diuji terhadap hasil yang diinginkan. Uji anova dua Faktor (two way) akan lebih mudah dipahami pada latihan berikut ini : No Berat Badan Pendidikan Sikap Praktik Rematik

115 Keterangan : pendidikan = SD kode 1, SMP kode 2, SMA kode 3, PT kode 4. Sikap = posiitif kode 1, negatif kode 0. Praktek = baik kode 1, buruk kode 0. kejadian rematik = menderita rematik kode 0 dan bukan penderita rematik kode 1. Terlebih dahulu data suatu penelitian di input ke program SPSS sehingga data tersebut dapat dilakukan analisis. Adapun langkahlangkah uji Anova Dua faktor sebagai berikut : 1. Pilih Analyze 2. Pilih General linear Model 3. Pilih Univariate 107

116 Pada tampilan berikut : 4. Klik Univariate Pada tampilan berikut : 5. Masukkan variabel Berat badan ke kotak Dependent Variable 6. Masukkan variabel sikap dan tindakan ke kotak Fixed Factor (s) Pada tampilan berikut : 108

117 7. Klik Plots Pada tampilan berikut : 8. Pindahkan variabel sikap ke kotak Horizontal Axis 9. Pindahkan variabel praktik ke kotak Separate Lines Pada tampilan berikut : 109

118 10. Klik Add Pada tampilan berikut : 11. Klik Continue 12. Klik Post Hoc Pada tampilan berikut : 110

119 13. Pindahkan praktik ke kotak Post Hoc Tests For 14. Klik Turkey s-b Pada tampilan berikut : 15. Klik Continue 16. Pilih Options Pada tampilan berikut : 111

120 17. Masukkan variabel sikap ke kotak Display Means For 18. Masukkan variabel praktik ke kotak Display Means For 19. Masukkan variabel sikap*praktik ke kotak Display Means For Pada tampilan berikut : 20. Klik Descriptive Statistics 21. Klik Estimates of effect size 22. Klik Homogeneity tests 23. Klik Spread vs. Level plot 112

121 Pada tampilan berikut : 24. Klik Continue 25. Klik OK Tampilan output sebagai berikut : Dependent Variable: berat badan Descriptive Statistics sikap responden tindakan responden Mean Std. Deviation N Negatif Buruk 68,22 8,482 9 Baik 71,46 10, Total 70,14 9, Positif Buruk 72,56 8, Baik 71,33 9, Total 72,04 8, Total Buruk 71,00 8, Baik 71,40 9, Total 71,20 9, Levene's Test of Equality of Error Variances a Dependent Variable: berat badan F df1 df2 Sig., ,716 Tests the null hypothesis that the error variance of the dependent variable is equal across groups. a. Design: Intercept + sikap + praktik + sikap * praktik 113

122 Dependent Variable: Tests of Between-Subjects Effects berat badan Type III Sum Mean Partial Eta Source of Squares df Square F Sig. Squared Corrected Model 110,610 a 3 36,870,421,739,027 Intercept , , ,757,000,984 Sikap 53, ,140,607,440,013 Praktik 12, ,103,138,712,003 sikap * praktik 59, ,806,683,413,015 Error 4029, ,595 Total , Corrected Total 4140, a. R Squared =,027 (Adjusted R Squared = -,037) Hasil analisis tersebut menunjukkan rata rata berat badan pada tabel Descriptive statistics berdasarkan sikap dan tindakan. Misalkan : rata rata berat badan dengan sikap yang negatif dan tindakan buruk sebesar 68,22 kg. Pada tabel Tests of between-subjects dengan nilai Sig. 0,

123 Hasil analisis tersebut akan diinterpretasikan pada tabel di bawah ini : Tabel 2 Distribusi rata rata berat badan menurut sikap dan tindakan responden no Berat Badan Sikap Tindakan Mean 1 Negatif Buruk 68,22 Baik 71,46 2 Positif Buruk 72,56 Baik 71,33 3 Sikap Praktek Sikap*praktek P value 0,716 Sig. 0,440 0,712 0,413 Berdasarkan tabel 2. Di peroleh bahwa rata rata berat badan dengan sikap yang negatif dan tindakan yang buruk sebesar 68,22 kg. Pada sikap yang negatif dan tindakan yang baik sebesar 71,46 kg. Sedangkan rata rata berat badan dengan sikap yang positif dan tindakan yang buruk sebesar 72,56 kg. Pada sikap yang positif dan tindakan yang baik sebesar 71,33 kg. Nilai p value = 0,716 > 0,05, sehingga variasi antar variabel berbeda signifikan. Hasil uji statistik didapatkan bahwa pada variabel sikap nilai p value = 0,440 > 0,05 berarti sikap tidak berpengaruh secara signifikan terhadap berat badan. Pada variabel praktek nilai p value = 0,712 > 0,05 berarti praktek tidak berpengaruh secara signifikan terhadap berat badan dan interaksi pda sikap*praktek dengan nilai p value = 0,413 > 0,05 berarti interaksi sikap*praktek tidak berpengaruh terhadap berat badan. 115

124 BAB X ANALISIS BIVARIAT (HUBUNGAN) NUMERIK DENGAN NUMERIK A. KORELASI Analisis korelasi adalah analisis yang digunakan untuk mengetahui derajat hubungan linear antara variabel yang satu dengan yang lainnya. Analisis korelasi biasa digunakan pada dua variabel numerik. Tujuan analisis korelasi adalah untuk mengetahui keeratan hubungan antara dua variabel dan mengetahui arah hubungan yang terjadi. Nilai korelasi (r) berkisar 0 sampai 1 atau arahnya dengan nilai antara -1 sampai +1 pada uraian di bawah ini : r = 0 artinya tidak ada hubungan linier r = -1 artinya hubungan linier negatif r = +1 artinya hubungan linier positif Nilai korelasi menurut Colton, adapun nilai korelasi (r) berkisar antara 0,00 sampai 1,00 pada kekuatan hubungan dua variabel, sebagai berikut : r = 0,00 0,25 artinya tidak ada hubungan/hubungan lemah r = 0,26 0,50 artinya hubungan sedang r = 0,51 0,75 artinya hubungan kuat r = 0,76 1,00 artinya hubungan sangat kuat/sempurna Nilai korelasi menunjukkan seberapa besar hubungan yang terjadi antara dua variabel. Nilai korelasi mempunyai tingkatan yang menunjukkan kekuatan hubungan tersebut. Korelasi yang sempurna menunjukkan seberapa besar hubungan yang terjadi antara dua variabel. Dalam program SPSS ada tiga metode korelasi sederhana (bivariate correlation) yang paling sering digunakan adalah koefisien korelasi product moment Pearson (digunakan dalam statistik parametik, biasa digunakan untuk data interval dan rasio), korelasi tingkat Spearman dan korelasi tou kendall 116

125 (digunakan dalam statistic nonparametik, biasa digunakan untuk data nominal dan ordinal). B. REGRESI Analisis regresi merupakan suatu analisis statistik yang digunakan untuk mengetahui hubungan antara dua variabel atau lebih. Analisis regresi bertujuan untuk mengetahui prediksi yang dapat digunakan pada nilai suatu variabel yakni pada variabel terikat atau variabel dependent. Analisis regresi pertama digunakan oleh Sir Francis Galton pada tahun Sir Francis Galton menggunakan Analisis regresi dalam analisis statistik, yang meneliti tentang hubungan antara tinggi badan orang tua (ayah) dengan anaknya. Hasil penelitian beliau menunjukkan bahwa ada kecenderungan yang sama antara orang tua yang tinggi badannya akan memiliki anak yang tinggi pula. Demikian juga, bahwa orang tua yang pendek badanya akan memiliki anak yang pendek juga dan distribusi ratarata tinggi badanya dari generasi kegenerasi adalah tetap atau tidak ada perubahan. 1. Tujuan Analisis Regresi Adapun tujuan Analisis Regresi diantaranya : a. Untuk memperoleh persamaan garis pada persamaan hubungan antara dua variabel. Persamaan garis tersebut disebut persamaan regresi. b. Untuk mengetahui besarnya pengaruh setiap variabel bebas terhadap variabel terikat. Pengaruh setiap variabel bebas terlihap pada nilai koefisien regresi. 2. Rumus regresi Dalam menaksirkan nilai variabel terikat (Y) pada variabel bebas (X), bahwa nilainya sudah diketahui pada analisis SPSS. Penaksiran nilai pada analisis regresi merupakan hanya dugaan sementara dan biasanya mengabaikan faktor ketidakpastian. Oleh sebab itu, maka 117

126 digunakan sebuah rumus dalam menentukan persamaan garis antara variabel terikat (Y) dan variabel bebas (X). Sehingga disebut dengan rumus regresi linier sederhana, yaitu : Y = a + bx Rumus Persamaan diatas digunakan bila nilai hasil analisisnya yaitu pada nilai p value lebih kecil dari nilai alpha 5% yang berarti bahwa regresi sederhana sama dengan data yang ada pada persamaan garis regresi yakni pada tabel Coefficient a, sedangkan jika nilai p value lebih besar dari nilai apha 5% yang berarti bahwa nilai antar variabel yang berbeda (contoh : tidak semua orang yang sama berat badanya antara kelas A dan Kelas B di sebuah institusi pendidikan), sehingga rumus yang digunakan sebagai berikut : Y = a + bx + e Keterangan : Y = Variabel dependent X = Variabel Independent a = Intercept perbedaan besarnya rata-rata variabel Y ketika variabel X = 0 b = Slope perkiraan besarnya perubahan nilai variabel Y bila nilai variabel X berubah satu unit pengukuran e = Nilai kesalahan atau error yaitu selisih antara nilai Y individual yang teramati dengan nilai Y yang sesungguhnya pada titik X tertentu C. Latihan Korelasi dan Regresi Analisis korelasi dan regresi akan lebih mudah dipahami pada contoh dibawah ini. Pada dasarnya analisis korelasi dan regresi data berbentuk numerik. Adapun contoh data yang digunakan adalah berat badan mahasiswa kelas A dengan berat badan mahasiswa kelas B pada Prodi yang sama, datanya sebagai berikut : 118

127 No Berat Badan Berat Badan Sikap Praktik pengetahuan Kelas A Kelas B

128 Keterangan : Sikap = posiitif kode 1, negatif kode 0. Praktek = baik kode 1, buruk kode 0. pengetahuan = tinggi kode 1 dan rendah kode Korelasi Terlebih dahulu data suatu penelitian di input ke program SPSS sehingga data tersebut dapat dilakukan analisis. Adapun langkahlangkah Analisis Korelasi sebagai berikut : a. Pilih Analyze b. Pilih Correlate c. Pilih Bivariate Pada tampilan berikut : d. Klik Bivariate Pada tampilan berikut : 120

129 e. Pilih variabel BB kelas A dan BB kelas B ke kotak Variables Pada tampilan berikut : f. Klik OK Tampilan Output sebagai berikut : Correlations Correlations BB kelas A BB kelas B BB kelas A Pearson Correlation 1,152 Sig. (2-tailed),293 N BB kelas B Pearson Correlation,152 1 Sig. (2-tailed),293 N Pada hasil analisis diatas, bahwa ada tiga baris yang dapat memberikan informasi dalam analisis korelasi yakni nilai korelasi (r) pada baris pertama, nilai p (p value) pada baris kedua dan jumlah penelitian atau sampel penelitian (n) pada baris ketiga. Dengan demikian, bahwa nilai r = 0,153 dan nilai p value = 0,293. Berdasarkan hasil tersebut dapat disimpulkan bahwa hubungan berat badan kelas A dengan berat badan kelas B pada mahasiswa menunjukkan hubungan yang lemah dan berpola positif. Hasil uji statistik diperoleh tidak ada hubungan yang signifikan antara berat badan kelas A dengan berat badan kelas B pada mahasiswa. 121

130 2. Regresi Linier Sederhana Analisis regresi linier sederhana masih menggunakan data yang sama pada analisis korelasi. Data yang digunakan adalah variabel berat badan kelas A dan berat badan kelas B pada mahasiswa. Adapun langkah-langkah Analisis regresi linier sederhana sebagai berikut : a. Pilih Analysis b. Pilih Regression c. Pilih Linear Pada tampilan berikut : d. Klik Linear Pada tampilan berikut : 122

131 e. Pilih variabel berat badan kelas B ke kotak Dependent f. Pilih variabel berat badan kelas A ke kotak Independent Pada tampilan berikut : g. Klik OK Pada tampilan Output sebagai berikut : Regression Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1,152 a,023,003 3,115 a. Predictors: (Constant), BB kelas A ANOVA a Model Sum of Squares Df Mean Square F Sig. 1 Regression 10, ,979 1,131,293 b Residual 465, ,706 Total 476, a. Dependent Variable: BB kelas B b. Predictors: (Constant), BB kelas A 123

132 Coefficients a Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta T Sig. 1 (Constant) 91,013 3,476 26,187,000 BB kelas A,051,048,152 1,064,293 a. Dependent Variable: BB kelas B Hasil analisis regresi linier sederhana dapat diinterpretasikan berdasarkan pada nilai : koefisien determinasi, persamaan garis dan p value. Nilai koefisien determinasi dapat dilihat pada nilai R square pada tabel Model summary dengan nilai 0,023 artinya, persamaan garis regresi yang diperoleh sebesar 2,3 % pada berat badan kelas A. Nilai p value pada tabel ANOVA a sebesar 0,293 di kolom Sig. sehingga p value lebih besar dari alpha 5%. Didapatkan pula nilai constant sebesar 91,013, nilai b = 0,051, nilai error = 3,476 sehingga persamaan regresinya mengunakan rumus : Y = a + bx + e Berat badan kelas A = 91, ,051 (berat badan kelas B) + 3,476 Berdasarkan persamaan tersebut, maka berat badan kelas A dapat diperkirakan jika nilai berat badan kelas B sudah diketahui. Diketahui juga nilai p value = 0,293 > 0,05, berarti tidak ada hubungan linier antara berat badan kelas B dengan berat badan kelas A. Nilai b = 0,051, berarti variabel berat badan kelas A akan bertambah sebesar 5,1 Kg jika berat badan kelas B bertambah. Hasil analisis tersebut akan diinterpretasikan pada tabel dibawah ini : Tabel 1 Analisis korelasi dan regresi BB kelas A dengan BB kelas B pada mahasiswa Variabel R R 2 Persamaan garis P value BB kelas A 0,153 0,023 BB kelas A = 91, ,051 (BB kelas B) + 3,476 0,

133 Berdasarkan tabel 1. Didapatkan bahwa hubungan antara berat badan kelas A dengan berat badan kelas B menunjukkan hubungan lemah (r = 0,153) dan berpola positif, artinya semakin bertambah berat badan kelas A maka tidak berpengaruh terhadap penambahan berat badan di kelas B. Nilai koefisien dengan determinasi 0,023, artinya persamaan garis regresi yang diperoleh sebesar 2,3 % pada berat badan kelas A. Hasil uji statistik diperoleh tidak ada hubungan yang signifikan antara berat badan kelas A dengan berat badan kelas B pada mahasiswa. Memprediksi variabel Dependent Pada persamaan garis : BB kelas A = 91, ,051 (BB kelas B) + 3,476 Misalkan BB kelas B = 93 kg. Jadi, BB kelas A = 91, ,051 (BB kelas B) + 3,476 BB kelas A = 91, ,051 (93) + 3,476 BB kelas A = 8792,22 gr atau 87,92 Kg 125

134 BAB XI ANALISIS MULTIVARIAT A. Pengantar Analisis Multivariat Analisis Multivariat merupakan suatu analisis yang dilakukan untuk mengetahui beberapa variabel independen dengan satu variabel dependen dalam suatu penelitian pada waktu yang bersamaan. Analisis Multivariat adalah suatu analisis pengembangan dari analisis bivariat. Analisis bivariat itu sendiri hanya melihat hubungan variabel independen dengan variabel dependen, sedangkan analisis multivariat bertujuan melihat atau mempelajari hubungan beberapa variabel independen dengan variabel dependen. Dalam melakukan analisis multivariat ada beberapa hal yang harus diperhatikan diantaranya adalah jumlah sampel, dimana minimal sampel setiap variabel penelitian dibutuhkan 15 reponden. Jika dalam suatu penelitian ada 7 variabel, maka jumlah sampel minimal yang diperlukan adalah 105 responden (7 x 15 reponden). Analisis multivariat pada umumnya bertujuan untuk mengetahui pengaruh murni masing masing variabel independen terhadap hubungannya dengan variabel dependen, dan untuk mengetahui variabel independen mana yang paling dominan berhubungan dengan variabel dependen. Namun lebih spesifik, adapun tujuan dilakukan analisis multivariat diantaranya : 1. Mengetahui pengaruh yang paling besar pada variabel independen terhadap variabel dependen 2. Mengetahui pengaruh variabel yang lain pada variabel independen yang berhubungan dengan variabel dependen 3. Mengetahui hubungan langsung atau pengaruh tidak langsung pada beberapa variabel independen dengan variabel dependen 126

135 B. Konsep Confounding Confounding merupakan keadaan yang bias atau lebih dikenal dengan variabel penganggu dalam mengestimasi efek pejanan atau expose terhadap kejadian masalah. Masalah bisa terjadi akibat perbandingan yang tidak seimbang antara kelompok expose dengan kelompok non expose. Dimana kedua kelompok tersebut mempunyai risiko yang berbeda. Variabel yang disebut confounding jika sebagai faktor risiko yang menyebabkan terjadinya suatu masalah dan berhubungan dengan expose. Seorang ahli statistik juga mengatakan bahwa variabel yang disebut dengan confounding jika, variabel tersebut menyebabkan faktor risiko terjadinya suatu masalah yang berhubungan dengan variabel independen. C. Konsep Interaksi Interaksi merupakan suatu efek dari expose pada kejadian masalah yang berbeda dalam kelompok expose yang lain. Dalam analisis multivariat jika adanya interaksi antar variabel expose dengan variabel yang lain. Jadi nilai OR harus dilaporkan secara terpisah berdasarkan tingkatan dari variabel penelitian. Sehingga, nilai OR harus dihitung dan penghitunganya harus secara masing masing pada setiap variabel penelitian. Uji interaksi pada umumnya dilakukan pada subtansi yang ada interaksi. Jika, subtansi pada variabel penelitian tidak ada interaksi maka, uji interaksi tidak dilakukan. Sebagai contoh; dilakukannya uji interaksi adalah pada variabel penelitian dimana respondenya merokok maka berinteraksi dengan penyakit TBC atau makanan tinggi gula berinteraksi dengan penyakit Diabetes. D. Penentuan Uji Statistik Multivariat 127

136 Dalam melakukan analisis multivariat pengujiannya dilakukan berdasarkan jenis data penelitian. Berikut jenis pengujian yang dilakukan dalam analisis multivariat : Variabel Independen Variabel Dependen Jenis Uji Numerik Numerik Uji regresi linier ganda Katagorik Numerik MANOVA Katagorik Katagorik Uji regresi logistik ganda Kontinyu Katagorik Uji diskriminan Numerik / katagorik Numerik waktu Uji regresi cox Berdasarkan analisis pengujian pada multivariat tersebut, tidak semua uji analisis multivariat akan dibahas dalam bab selanjutnya. Akan tetapi, uji analisis multivariat yang akan di bahas pada bab berikut adalah uji regresi logistik ganda. Uji regresi logistik ganda yang paling umum digunakan pada uji multivariat khususnya pada penelitian kesehatan. Dimana data dalam penelitian pada variabel independen dan variabel dependen bersifat katagorik. BAB XII 128

137 ANALISIS MULTIVARIAT REGRESI LOGISTIK GANDA A. Regresi logistik Ganda Analisis multivariat pada analisis regresi logistik ganda dilakukan untuk memperoleh suatu model yang paling sederhana untuk melihat hubungan antara variabel dependen dengan variabel variabel independen. Uji analisis regresi logistik ganda yaitu untuk mengetahui antara beberapa variabel independen yang mana lebih erat hubungannya dengan variabel dependen. Uji analisis logistik ganda dilakukan jika variabel independen berbentuk katagorik dan variabel Independen berbentuk katagorik. B. Pemodelan Pemodelan dalam analisis regresi logistik ganda merupakan suatu analisis yang dilakukan pada variabel independen sehingga berbentuk model yang sesuai untuk menjelaskan variabel dependen yang sesungguhnya dalam populasi penelitian. Model yang harapkan adalah model yang sedikit jumlahnya dan dapat menjelaskan faktor faktor penting yang berhubungan dengan variabel dependen. Pada pemodelan ini, semua variabel dianggap penting sehingga estimasi dapat dilakukan dengan metode regresi logistik menurut Sutanto Priyo Hastono (2007), dengan langkah langkah sebagai berikut : 1. Melakukan analisis bivariat antara masing masing variabel independen dengan variabel dependen dengan uji logistik sederhana. 2. Melakukan pemilihan variabel independen yang diikut sertakan pada analisis multivariat dengan kriteria nilai p value < Melakukan analisa multivariat dari variabel terpilih secara signifikan dengan nilai p value < Mengeluarkan variabel independen yang dilakukan secara bertahap satu persatu dimulai dari variabel yang p value tertinggi dan perubahan nilai OR < 10 %. 129

138 5. Jika perubahan nilai OR > 10 %, maka variabel yang telah dikeluarkan dari model, kemudian dimasukkan kembali kedalam analisis multivariat. 6. Pengeluaran variabel independen dilakukan terhadap semua variabel yang mempunyai nilai p value > Penentuan variabel yang paling dominan dilakukan dengan nilai Odds Ratio (OR), variabel yang mempunyai nilai OR tertinggi, maka disebut sebagai variabel yang dominan yang berhubungan dengan variabel dependen. C. Latihan Regresi Logistik Ganda Analisis regresi logistik ganda menggunakan data yang sama yaitu berbentuk katagorik baik variabel independen maupun variabel dependen. Variabel independen adalah umur, jenis kelamin, pekerjaan, pendidikan, pengetahuan, sikap dan praktik. Sedangkan, variabel dependennya adalah risiko kecelakaan. Adapun Data yang digunakan sebagai berikut : no Risiko kecelakaan umur Jenis kelamin Pekerjaan pendidikan pengetahuan Sikap

139

140 Keterangan : risiko kecelakan = tinggi kode 0 dan rendah kode 1. Umur = tua kode 0 dan muda kode 1. Jenis kelamin = laki-laki kode 0 dan perempuan kode 1. Pekerjaan = pekerjaan non formal kode 0 dan pekerjaan formal kode 1. Pendidikan = pendidikan rendah kode 0 dan pendidikan tinggi kode 1. Tingkat pengetahuan = rendah kode 0 dan 132

141 tinggi kode 1. Sikap = negatif kode 0 dan positif kode 1. Praktik = kurang baik kode 0 dan baik kode 1. Terlebih dahulu data suatu penelitian di input ke program SPSS sehingga data tersebut dapat dilakukan analisis. Adapun langkah-langkah Analisis regresi logistik ganda sebagai berikut : 1. Seleksi Variabel Kandidat Multivariat Dalam melakukan seleksi, masing masing variabel independen dilakukan analisis bivariat dengan variabel dependen. Teknik yang digunakan dapat dengan menggunakan uji regresi logistik sederhana. Menurut Mickey dan Greenland dalam Sutanto Priyo Hastono (2007), mengatakan bahwa variabel pada saat uji bivariat memiliki p value < 0,25 dan mempunyai kemaknaan secara substansi yang dapat dimasukkan kedalam model multivariat. Analisis bivariat antara umur dengan risiko kecelakaan a. Pilih Analyze b. Pilih Regression c. Pilih Binary logistic Pada tampilan berikut : d. Klik Binary logistic Pada tampilan berikut : 133

142 e. Pilih variabel risiko kecelakaan ke kotak Dependent f. Pilih variabel umur ke kotak Covariates Pada tampilan berikut : g. Pilih Options h. Pilih CI for Exp(B) Pada tampilan berikut : 134

143 i. Klik Continue j. Klik OK Pada tampilan output berikut : Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step,378 1,539 Block,378 1,539 Model,378 1,539 Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald Df Sig. Exp(B) Lower Upper Step umur(1) -,295,478,380 1,538,745,292 1,900 1 a Constant -,182,428,181 1,670,833 a. Variable(s) entered on step 1: umur. Analisis bivariat antara jenis kelamin dengan risiko kecelakaan a. Pilih Analyze b. Pilih Regression c. Klik Binary logistic d. Pilih variabel risiko kecelakaan ke kotak Dependent e. Pilih variabel jenis kelamin ke kotak Covariates Pada tampilan berikut : 135

144 f. Klik OK Pada tampilan output berikut : Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square Df Sig. Step 1 Step,450 1,502 Block,450 1,502 Model,450 1,502 Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Step jeniskelamin(1),356,528,453 1,501 1,427,507 4,017 1 a Constant -,473,207 5,245 1,022,623 a. Variable(s) entered on step 1: jeniskelamin. Analisis bivariat antara pekerjaan dengan risiko kecelakaan a. Pilih Analyze b. Pilih Regression c. Klik Binary logistic d. Pilih variabel risiko kecelakaan ke kotak Dependent e. Pilih variabel pekerjaan ke kotak Covariates Pada tampilan berikut : 136

145 f. Klik OK Pada tampilan output berikut : Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 2,905 1,088 Block 2,905 1,088 Model 2,905 1,088 Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Step pekerjaan(1) -1,209,735 2,707 1,100,299,071 1,260 1 a Constant,693,707,961 1,327 2,000 a. Variable(s) entered on step 1: pekerjaan. Analisis bivariat antara pendidikan dengan risiko kecelakaan a. Pilih Analyze b. Pilih Regression c. Klik Binary logistic d. Pilih variabel risiko kecelakaan ke kotak Dependent e. Pilih variabel pendidikan ke kotak Covariates Pada tampilan berikut : 137

146 f. Klik OK Pada tampilan output berikut : Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 6,199 1,013 Block 6,199 1,013 Model 6,199 1,013 Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald Df Sig. Exp(B) Lower Upper Step pendidikan(1) -1,093,460 5,643 1,018,335,136,826 1 a Constant -,124,223,308 1,579,884 a. Variable(s) entered on step 1: pendidikan. Analisis bivariat antara tingkat pengetahuan dengan risiko kecelakaan a. Pilih Analyze b. Pilih Regression c. Klik Binary logistic d. Pilih variabel risiko kecelakaan ke kotak Dependent e. Pilih variabel tingkat pengetahuan ke kotak Covariates Pada tampilan berikut : 138

147 f. Klik OK Pada tampilan output berikut : Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 6,195 1,013 Block 6,195 1,013 Model 6,195 1,013 Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Step tingkatpengetahuan(1) -1,182,506 5,453 1,020,307,114,827 1 a Constant -,161,215,562 1,453,851 a. Variable(s) entered on step 1: tingkatpengetahuan. Analisis bivariat antara sikap dengan risiko kecelakaan a. Pilih Analyze b. Pilih Regression c. Klik Binary logistic d. Pilih variabel risiko kecelakaan ke kotak Dependent e. Pilih variabel sikap ke kotak Covariates Pada tampilan berikut : 139

148 f. Klik OK Pada tampilan output berikut : Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square df Sig. Step 1 Step 5,160 1,023 Block 5,160 1,023 Model 5,160 1,023 Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Step sikap(1),900,399 5,087 1,024 2,461 1,125 5,381 1 a Constant -,754,248 9,273 1,002,471 a. Variable(s) entered on step 1: sikap. 140

149 Hasil seleksi uji bivariat memiliki p value < 0,25 dan mempunyai kemaknaan secara substansi yang dapat dimasukkan kedalam model multivariat. Adapun hasil seleksi kandidat variabel adalah sebagai berikut : Tabel 1 Hasil analisis regresi logistik sederhana masing masing variabel independen dengan risiko kecelakaan No Variabel P value 1 Umur Jenis kelamin Pekerjaan Pendidikan Tingkat pengetahuan Sikap Dari hasil seleksi bivariat ternyata ada dua variabel yang nilai p value > 0,25 yaitu umur dan jenis kelamin. Oleh karena itu, dalam pemodelan multivariat dua variabel tersebut dinyatakan gugur dan tidak diikutkan dalam pemodelan multivariat. 2. Pemodelan Multivariat Sesuai dengan hasil seleksi bivariat, bahwa variabel yang masuk tahap multivariat dengan nilai p value < 0,25 adalah pekerjaan, pendidikan, tingkat pengetahuan dan sikap. Keempat variabel independen ini dilakukan analisis multivariat secara bersama sama. Adapun langkah langkahnya sebagai berikut : a. Pilih Analyze b. Pilih Regression c. Klik Binary logistic d. Pilih variabel risiko kecelakaan ke kotak Dependent e. Pilih variabel pekerjaan, pendidikan, tingkat pengetahuan dan sikap ke kotak Covariates 141

150 Pada tampilan berikut : f. Pilih Options g. Pilih CI for Exp(B) Pada tampilan berikut : h. Klik Continue i. Klik OK Pada tampilan output berikut : 142

151 Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Step pekerjaan(1) -1,522,865 3,097 1,078,218,040 1,189 1 a pendidikan(1) -,772,517 2,227 1,136,462,168 1,274 tingkatpengetahuan(1) -1,243,632 3,869 1,049,288,084,996 sikap(1),792,432 3,356 1,067 2,208,946 5,153 Constant 1,154,910 1,609 1,205 3,170 a. Variable(s) entered on step 1: pekerjaan, pendidikan, tingkatpengetahuan, sikap. Setelah dilakukan analisis secara bersama-sama pada keempat variabel tersebut akan didapatkan nilai p value dan OR. Nilai p value dan OR terlihat pada pemodelan tahap pertama pada tabel berikut : Tabel 2 Hasil analisis multivariat regresi logistik antara empat variabel independen dengan risiko kecelakaan No Variabel independen P value O R 1 Pekerjaan Pendidikan Tingkat pengetahuan Sikap Langkah selanjutnya adalah mencari model yang paling valid yaitu dengan cara mengeluarkan variabel yang p value > 0,05. Ketentuannya adalah variabel yang dikeluarkan dimulai dari variabel yang p value terbesar. Setelah variabel tersebut dikeluarkan kemudian dilakukan evaluasi variabel yang masih tersisa dalam model. Apabila variabel yang masih ada dalam model nilai OR tidak berubah lebih dari 10 %, maka variabel tersebut akhirnya jadi dikeluarkan. Namun, sebaliknya jika variabel yang masih ada dalam model minimal ada satu variabel yang nilai OR berubah lebih dari 10 %, maka variabel yang dicoba/dites dikeluarkan tersebut harus dimasukkan kembali. 143

152 Adapun variabel yang dikeluarkan yang pertama adalah variabel yang tertinggi nilai p value yakni variabel pendidikan dengan nilai p value = Adapun langkah langkahnya sebagai berikut : a. Pilih Analyze b. Pilih Regression c. Klik Binary logistic d. Pilih variabel risiko kecelakaan ke kotak Dependent e. Pilih variabel pendidikan dikeluarkan dari kotak Covariates Pada tampilan berikut : f. Klik OK Pada tampilan output berikut : Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Step pekerjaan(1) -1,577,868 3,303 1,069,207,038 1,132 1 a tingkatpengetahuan(1) -1,559,593 6,919 1,009,270,066,672 sikap(1),760,428 3,152 1,076 2,137,924 4,945 Constant 1,082,914 1,401 1,237 2,950 a. Variable(s) entered on step 1: pekerjaan, tingkatpengetahuan, sikap. 144

153 Setelah dilakukan pengeluaran variabel pendidikan dan analisis secara bersama-sama pada ketiga variabel tersebut akan didapatkan nilai p value dan OR. Nilai p value dan OR terlihat pada tabel dibawah ini : Tabel 3 Hasil analisis multivariat regresi logistik antara tiga variabel independen dengan risiko kecelakaan No Variabel p OR OR Perubahan independen value pendidikan pendidikan OR ada tidak ada 1 Pekerjaan % 2 Tingkat pengetahuan % 3 Sikap % Cara menghitung nilai OR : variabel pekerjaan = 0,218 0,207 / 0,218 x 100% = 5,04 % Setelah tiga variabel yang ada dimodel dan dievaluasi perubahan nilai OR ternyata tidak ada variabel yang berubah lebih dari 10 % maka variabel pendidikan tidak dimasukan kembali kemodel, sedangkan variabel sikap dikeluarkan dan langkah langkah sebagai berikut : a. Pilih Analyze b. Pilih Regression c. Klik Binary logistic d. Pilih variabel risiko kecelakaan ke kotak Dependent e. Pilih variabel sikap dikeluarkan dari kotak Covariates Pada tampilan berikut : 145

154 f. Klik OK Pada tampilan output berikut : Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Step pekerjaan(1) -1,915,849 5,090 1,024,147,028,778 1 a tingkatpengetahuan(1) -1,576,586 7,225 1,007,207,066,653 Constant 1,679,856 3,851 1,050 5,360 a. Variable(s) entered on step 1: pekerjaan, tingkatpengetahuan. Setelah dilakukan pengeluaran variabel sikap dan analisis secara bersama-sama pada kedua variabel tersebut akan didapatkan nilai p value dan OR. Nilai p value dan OR terlihat pada tabel dibawah ini : Tabel 4 Hasil analisis multivariat regresi logistik antara dua variabel independen dengan risiko kecelakaan No Variabel p OR sikap OR sikap Perubahan independen value ada tidak ada OR 1 Pekerjaan % 2 Tingkat pengetahuan % Setelah dua variabel yang ada dimodel dan dievaluasi perubahan nilai OR ternyata ada variabel yang berubah lebih dari 10 % maka variabel sikap dimasukkan kembali kemodel, oleh karena semua variabel yang nilai p value > 0.05 telah diuji, maka model terakhir sebagai berikut : 146

155 3. Model terakhir Setelah melalui seleksi atau pemodelan berulang ulang maka dalam analisis ini didapatkan model dan langkah langkah sebagai berikut : a. Pilih Analyze b. Pilih Regression c. Klik Binary logistic d. Pilih variabel risiko kecelakaan ke kotak Dependent e. Pilih variabel sikap dimasukkan kembali ke kotak Covariates Pada tampilan berikut : f. Klik OK Pada tampilan output berikut : Variables in the Equation 95% C.I.for EXP(B) B S.E. Wald df Sig. Exp(B) Lower Upper Step pekerjaan(1) -1,577,868 3,303 1,069,207,038 1,132 1 a tingkatpengetahuan(1) -1,559,593 6,919 1,009,210,066,672 sikap(1),760,428 3,152 1,076 2,137,924 4,945 Constant 1,082,914 1,401 1,237 2,950 a. Variable(s) entered on step 1: pekerjaan, tingkatpengetahuan, sikap. 147

156 Setelah dilakukan pemasukkan kembali variabel sikap dan analisis secara bersama-sama pada ketiga variabel tersebut akan didapatkan nilai p value dan OR. Nilai p value dan OR terlihat pada tabel dibawah ini : Tabel 5 Hasil analisis multivariat regresi logistik antara tiga variabel independen dengan risiko kecelakaan No Variabel independen P value O R 1 Pekerjaan Tingkat pengetahuan Sikap Dari model terakhir dapat disimpulkan bahwa dari 6 variabel yang berhubungan dengan risiko kecelakaan, ternyata ada satu variabel yang berhubungan bermakna dan paling dominan dengan risiko kecelakaan yaitu variabel tingkat pengetahuan (p value = < 0.05), dengan OR = 0.210, artinya responden dengan tingkat pengetahuan rendah mempunyai faktor risiko 0.2 kali berisiko tinggi, dibandingkan responden dengan tingkat pengetahuan tinggi, setelah dikontrol variabel pekerjaan dan sikap. 148

157 DAFTAR PUSTAKA Hastono, S,P Analisis Data Kesehatan. Jakarta : FKM UI Pramesti,G Kupas Tuntas Data Penelitian dengan SPSS 22. Jakarta : PT. Elex Media Komputindo Ronald, E, W Pengantar Statistika Edisi ke-3. Jakarta : PT. Gramedia Pustaka Utama Sabri, L., & Hastono, S., P Statistik kesehatan. Jakarta: PT. Raja Grafindo Persada Santoso,S Buku Latihan SPSS Statistik Parametrik. Jakarta : PT. Elex Media Komputindo Panduan Lengkap Menguasai SPSS 16. Jakarta : PT. Elex Media Komputindo diakses pada tanggal 26 maret pada tanggal 30 Juni 2015 diakses diakses pada tanggal 30 juni diakses pada tanggal 30 juni diakses pada tanggal 25 maret 2015

158 Lampiran Tabel r Product Moment n Taraf signifikansi (r) Taraf signifikansi (r) n 5% 1% 5% 1% ,

159 RIWAYAT HIDUP PENULIS Riwayat Pendidikan Nama lengkap : Abil Rudi,S.Kep.,M.Kes TTL : Sei Telian, 19 Agustus 1987 (Kalimantan Barat) Pekerjaan : Dosen Motto : jangan di sia-siakan kesempatan pertama karena kesempatan yang sama tidak datang kedua kalinya Periode Sekolah / Institusi / universitas SDN 06 Sei Tembaga Kec. Badau Kapuas Hulu Kalbar SLTPN 01 Badau Kapuas Hulu Kalbar SLTA Panca Setya Sintang Kalbar D3 Keperawatan STIKes Persada Husada Indonesia Jakarta S1 Ilmu Keperawatan STIKes Binawan Jakarta S2 Ilmu Kesehatan Masyarakat Universitas Respati Indonesia Jakarta Riwayat Pekerjaan 1. Bekerja di PUSKESMAS Kecamatan Badau Kabupaten Kapuas Hulu Provinsi Kalimantan Barat pada tahun Dosen di STIKes Kapuas Raya Sintang Kalimantan Barat

160