UJIAN AKHIR SEMESTER MATA KULIAH MANAJEMEN ANALISA DATA

UAS MANDAT PRODI S1. KESMAS UMHT

DOSEN : Petrus Geroda Beda Ama, SKM., M.Kes

Baca soal baik baik dan pilih uji yang sesuai

 “Sistem ujian Open Materi”

 Download Materi UJI

Perintah!

1.    Buat variabel baru dengan nama “Kepuasan” dengan label “kepuasan pasien” hasil gabungan antara umur dengan tingkat pendidikan.

 Kode 1 =” Tidak puas”  bila responden berumur  < 35 tahun dengan tingkat pendidikan <SMA

 Kode 2 = “Puas” bila responden berumur ≥35 tahun dengan tingkat pendidikan ≥SMA

* Gunakan Perintah Tranform à Comute à IF

2.    Ubalah variabel umur yang berbentuk numerik menjadi kategorik, (lengkapi label, values & measure)

Kode 1 untuk umur <35 tahun

Kode 2 untuk umur ≥ 35 tahun

* Gunakan Perintah Tranformà Recode Into Differen Variable

3.    Ubalah variabel Berat badan & Berat Badan Diet ke dalam satuan Kilogram

* Gunakan Perintah Tranformà Comute

4.    Lakukan analisa Univariat untuk variabel

a.     Kepuasan

b.    Umur  (data rill, gunakan perinta Explore)

c.      Kompensasi

d.    HB

5.    Lakukan analisis dan interpretasikan untuk menjawab pertanyaan penelitian berikut!

a.     Apakah ada hubungan antara kompensasi dengan kepuasan?

b.    Apakah ada perbedan umur  (data ril) dengan kepuasan ?

c.      Apakah ada korelasi antar umur dengan HB responden ?

d.    Apakah ada perubahan berat badan responden, sebelum dan sesudah diet (gunakan data modifikasi)?

* Catatan :

File yang dikumpulkan adalah

1.    File SPSS berekstensi SAV

2.    Semua Output SPSS

3.    Hasil Interpretasi

Disimpan dalam satu folder dengan nama (nama mhs + npm), dikirim ke Email ke petrusgeroda@gmail.com

UJI ANOVA

Anova adalah sebuah analisis statistik yang menguji perbedaan rerata antar grup. Grup disini bisa berarti kelompok atau jenis perlakuan. Anova ditemukan dan diperkenalkan oleh seorang ahli statistik bernama Ronald Fisher.

Anova merupakan singkatan dari Analysis of variance. Merupakan prosedur uji statistik yang mirip dengan t test. Namun kelebihan dari Anova adalah dapat menguji perbedaan lebih dari dua kelompok. Berbeda dengan independent sample t test yang hanya bisa menguji perbedaan rerata dari dua kelompok saja.

Tujuan

Untuk mengetahui perbedaan mean lebih dari dua kelompok data baik yang independen maupun dependen

Prinsip uji ANOVA adalah melakukan telaah variabilitas data menjadi dua sumber variasi yaitu variasi dalam kelompok (within) dan variasi antar kelompok (between).

Bila variasi within dan between sama (nilai perbandingan kedua varian sama dengan 1) maka mean-mean yang dibandingkan tidak ada perbedaan, sebaliknya bila hasil perbandingan tersebut menghasilkan lebih dari 1, maka mean yang dibandingkan menunjuk ada perbedaan.

Analisis varian (ANOVA) mempunyai dua jenis analisi varian satu faktor (one way) dan analisis faktor (two way).

Beberapa asumsi yang harus dipenuhi pada uji ANOVA adalah:

1.    Varian homogen

2.    Sampel/kelompok independen

3.    Data berdistribusi normal

4.    Jenis data yang dihubungkan adalah : Numerik dengan katagori (untuk katagori yang lebih dari 2 kelompok.

Analisis Multi Comparison (POSTHOC TEST)

Analisis ini bertujuam untuk mengetahui lebih lanjut kelompok mana saja yang berbeda mean-nya bilamana pada pengujian ANOVA dihasilkan ada perbedaan yang bermakna (Ho ditolak).

Ada berbagai jenis analisis multiple comparasion diantaranya adalah Bonferroni, Honestly Significant different (HSD), Scheffe dan lain-lain

Kasus:UJI ANOVA

Sebagai latihan, Download Lembar Kerja, Disini

Pada contoh ini akan kita coba menghubungkan antara tingkat pendidikan dengan berat badan bayi. Variabel pendidikan merupakan variabel katagorik dengan 4 katagori. Variabel berat bayi berbentuk numerik sehingga uji ANOVA cocok untuk digunakan pada kasus ini.  Adapun caranya sbb:

Langka-langka uji

1.    Aktifkan/bukalah file data “ASI.SAV”

2.    Dari menu utama SPSS, pilih menu ‘Analyze”, kemudian pilih sub menu “Compare Means’, lalu pilih “One-Way ANOVA” sesaat akan muncul menu One Way NOVA

3.    Dari menu One way ANOVA, terlihat bahwa kotak Dependent List dan kotak Factor perlu diisi variabel. Kotak ‘dependent’ diisi variabel numerik dan kotak ‘factor’ diisi variabel katagoriknya. (Ingat, jangan sampai terbalik) à Pada contoh ini berarti pada kotak Dependen diisi variabel “bbbayi” pada kotak Factor diisi variabel “Didik”.

4.    Klik tombol ‘Options” tandai dengan √ pada kotak “Descriptive”

5.    Klik “Continue”

6.    Klik tombol “Post Hoc”, tandai dengan √ pada kotak “Bonferroni”

7.    Klik “Continue”

8.     Klik “OK”

  

Output Uji

Dari print out ini diperoleh rata-rata berat bayi dan stndar deviasi masing-masing kelompok. Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470,0 gram dengan standar deviasi 249,6 gram. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2727,2 gram dengan standar deviasi 241,2 gram. Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431,2 gram dengan standar deviasi 270,1 gram. Pada mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761,5 gram dengan standar deviasi 386,3 gram

Nilai p uji ANOVA dapat diketahui pada kolom “F” dan “Sig”, terlihat p=0,000 (kalau desimalnya 0, maka penulisannnya menjadi p=0,0005), berarti pada alpha 5%, dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.

Pada Box paling bawah terlihat hasil dari uji ‘Multiple Comparisons Bonferroni” yang berguna untuk menelusuri lebih lanjut kelompok mana saja yang berhubungan signifikan.

Untuk mengetahui kelompok yang signifikan dapat terlihat dari kolom Sig. Ternyata kelompok signifikan adalah tingkat pendidikan SD dengan SMU, SD dengan PT, SMP dengan SMU, SMP dengan PT dan SMU dengan PT. Sementara kelompok yang tidak siginifikan adalah kelomokSD dan SMP

Penyajian dan Interpretasi di laporan Penelitian

Tabel …

Distribusi Rata-Rata Berat Bayi Menurut Tingkat Pendidikan Ibu

Rata-rata berat bayi pada mereka yang berpendidikan SD adalah 2470,0 gram dengan standar deviasi 249,6 gram. Pada mereka yang berpendidikan SMP rata-rata berat bayinya adalah 2736,36 gram dengan standar deviasi 246,1 gram. Pada mereka yang berpendidikan SMU rata-rata berat bayinya adalah 3431,3 gram dengan standar deviasi 270,1 gram. Pada mereka yang berpendidikan PT rata-rata berat bayinya adalah 3761,5 gram dengan standar deviasi 386,3 gram.

Hasil uji statistik didapat nilai p=0,0005, berarti pada alpha 5% dapat disimpulkan ada perbedaan berat bayi diantara keempat jenjang pendidikan.

Analisis lebih lanjut membuktikan bahwa kelompok yang berbeda signifikan adalah tingkat pendidikan SD dengan SMU, SD dengan PT, SMP dengan SMU,SMP dengan PT dan SMU dengan PT.

Latihan

1.    Analisa perbedaan umur ibu dengan sikap meberikan kolostrum.

2.    Perbedaan BB Ibu dengan Komitmen Memberikan ASI Sampai Selama 6 Bulan

3.    Perbedaan HB ibu dengan komitem memberikan ASI segera setelah lahir (gunakan HB pengukuran kedua)

4.    Perbedaan Berat badan reponden dengan tingkat pendidikan

5.    Perbedaan umur ibu dengan tingkat pendidikan

UJI KORELASI DAN REGRESI LINIER SEDERHANA

UJI KORELASI DAN REGRESI LINIER SEDERHANA

Pendahuluan

Seringkali dalam suatu penelitian kita ingin mengetahui hubungan antara dua variabel yang berjenis numerik, misalnya hubungan berat badan dengan tekanan darah, hubungan umur dengan kadar Hb, dsb.

Hubungan antara dua variabel numerik dapat dihasilkan dua jenis, yaitu derajat/keeratan hubungan, digunakan korelasi. Sedangkan bila ingin mengetahui bentuk hubungan antara dua variabel digunakan analisis regresi linier.

1.     Korelasi

Korelasi di samping dapat untuk mengetahui derajat/keeratan hubungan, korelasi dapat juga untuk mengetahui arah hubungan dua variabel numerik. Misalnya, apakah hubungan berat badan dan tekanan darah mempunyai derajat yang kuat atau lemah, dan juga apakah kedua variabel tersebut berpola positif atau negatif.

Nilai korelasi (r) berkisar 0 s.d. 1 atau bila dengan disertai arahnya, nilainya antara –1 s.d. +1.

Menurut Sugiyono, Analisis koefisien korelasi yaitu:

•      r= 0.00 - 0,199 = sangat rendah

•      r= 0,20 - 0,3999 = rendah

•      r=0,40 - 0,5999 = sedang

•      r=0,60 - 0,799 = kuat

•      r= 0,80 - 1,000 = sangat kuat

Hubungan dua variabel dapat berpola positif maupun negatif.  Hubungan positif terjadi bila kenaikan satu diikuti kenaikan variabel yang lain, misalnya semakin bertambah berat badannya (semakin gemuk) semakin tinggi tekanan darahnya.  Sedangkan hubungan negatif dapat terjadi bila kenaikan satu variabel diikuti penurunan variabel yang lain, misalnya semakin bertambah umur (semakin tua) semakin rendah kadar Hb-nya.

2.     Regresi Linier Sederhana

 Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk mengetahui bentuk hubungan antar dua atau lebih variabel.

Tujuan analisis regresi adalah untuk membuat perkiraan (prediksi) nilai suatu variabel (variabel dependen) melalui variabel yang lain (variabel independen).

Contoh

Kita ingin menghubungkan dua variabel numerik berat badan dan tekanan darah. Dalam kasus ini berarti berat badan sebagai variabel independen dan tekanan darah sebagai variabel dependen, sehingga dengan regresi kita dapat memperkirakan besarnya nilai tekanan darah bila diketahui data berat badan.

Untuk melakukan prediksi digunakan persamaan garis yang dapat diperoleh dengan berbagai cara/metode. Salah satu cara yang sering digunakan oleh peneliti adalah dengan menggunakan metode kuadrat terkecil (least square).

Metode least square merupakan suatu metode pembuatan garis regresi dengan cara meminimalkan jumlah kuadrat jarak antara nilai Y yang teramati dan Y yang diramalkan oleh garis regresi itu. Secara matematis persamaan garis sbb: Y=a+bx

KASUS :
KORELASI DAN REGRESI

Sebagai contoh kita akan melakukan analisis korelasi dan regresi  variabel Berat Badan Bayi dengan Berat badan ibu. Download lembar kerja disini.

A. Uji Korelasi

            Untuk mengeluarkan uji korelasi langkahnya adalah sbb:

1.     Aktifkan data  à(‘ASI.SAV’)

2.     Dari menu utama SPSS, klik ‘Analyze’, kemudian pilih ‘Correlate’, dan lalu pilih ‘Bivariate’, dan muncullah menu Bivariate Correlations:

3.     Sorot variabel ‘Berat badan Ibu dan Berat bdan Bayi Lahir, lalu masukkan ke kotak sebelah kanan ‘variables’.

4.     Klik OK

 Seketika akan keluar Output sebagai berikut

           

Tampilan analisis korelasi berupa matrik antar variabel yang di korelasi, informasi yang muncul terdapat tiga baris, baris pertama berisi nilai korelasi (r), baris kedua menampilkan nilai p (P value), dan baris ketiga menampilkan N (jumlah data).

Pada hasil di atas diperoleh nilai r = 0,684 dan nilai p = 0,0005. Kesimpulan dari hasil tersebut: hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan yang kuat dan berpola positif artinya semakin bertambah berat badan ibu semakin tinggi berat bayinya.

Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p = 0,0005).

B. Regresi Linier Sederhana

Sebagai contoh kita akan melakukan analisis regresi  variabel Berat Badan Ibu dengan Berat Badan Bayi (*lanjutan dari uji Korelasi)

Dalam analisis regresi kita harus menentukan variabel dependen dan variabel independennya. Dalam kasus ini berarti berat badan ibu sebagai variabel independen dan berat badan bayi sebagai variabel dependen

Langkah Uji

1.     Pastikan tampilan berada pada data editor ASI.SAV, jika belum aktifkan data tersebut.

2.     Dari menu SPSS, Klik ‘Analysis’, pilih ‘Regression’, pilih ‘Linear’

3.     Pada tampilan di atas ada beberpa kotak yang harus diisi. Pada kotak ‘Dependen’ isikan variabel yang kita perlakukan sebagai dependen (dalam contoh ini berarti berat badan bayi) dan pada kotak Independent isikan variabel independennnya (dalam contoh ini berarti berat badan ibu), caranya

4.     Klik ‘berat badan bayi’, masukkan ke kotak Dependent

5.     Klik ‘berat badan ibu’, masukkan ke kotak Independent

6.     Klik ‘OK’, akan keluar Outputnya sebagai berikut

Dari hasil di output dapat diinterpretasikan dengan mengkaji nilai-nilai yang penting dalam regresi linier diantaranya; koefisien determinasi, persamaan garis dan p value.

Nilai koefisien determinasi dapat dilihat dari nilai R Square (anda dapat lihat pada tabel ‘Model Summary’) yaitu besarnya 0,468 artinya, persamaan garis regresi yang kita peroleh dapat menerangkan 46,8% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.

Selanjutnya pada tabel ANOVA , diperoleh nilai p (di kolom Sig) sebesar 0,0005, berarti pada alpha 5% kita dapat disimpulkan bahwa regresi sederhana cocok (fit) dengan data yang ada.

persamaan garis regresi dapat dilihat pada tabel ‘Coefficienta’ yaitu pada kolom B

Dari hasil diatas didapat nilai konstant (nilai ini merupakan nilai intercept atau nilai a) sebesar 663,64 dan nilai b = 44,32, sehingga persamaan regresinya: Y = a + bX Berat badan bayi = 663,64 + 44,32, (berat badan ibu) Dengan persamaan tersebut, berat badan bayi dapat diperkirakan jika kita tahu nilai berat badan ibu. Uji statistik untuk koefisien regresi dapat dilihat pada kolom Sig T, dan menghasilkan nilai p=0,0005. Jadi pada alpha 5% kita menolak hipotesis nol, berarti ada hubngan linier antara berat badan ibu dengan berat badan bayi. Dari nilai b=44,32 berarti bahwa variabel berat badan bayi akan bertambah sebesar 44,32 gr bila berat badan ibu bertambah setiap satu kilogram.

Penyajian dan Interpretasi

Tabel …

Analisis Korelasi dan regresi berat badan ibu dengan berat badan bayi

Variabel	R	R ²	Persamaan Regresi	P. Value
Umur	0,684	0,468	bbayi =663,64 + 44,38*bbibu	0,0005

Hubungan berat badan ibu dengan berat badan bayi menunjukkan hubungan kuat (r=0,684) dan berpola positif artinya semakin bertambah berat badan ibu semakin besar berat badan bayinya. Nilai koefisien dengan determinasi 0,468 artinya , persamaan garis regresi yang kita peroleh dapat menerangkan 46,8% variasi berat badan bayi atau persamaan garis yang diperoleh cukup baik untuk menjelaskan variabel berat badan bayi.

Hasil uji statistik didapatkan ada hubungan yang signifikan antara berat badan ibu dengan berat badan bayi (p=0,005).

Memprediksi variabel Dependen

Dari persamaan garis yang didapat tersebut kita dapat memprediksi variabel dependen (berat badan bayi) dengan variabel independen (berat badan ibu). Misalkan kita ingin mengetahui berat badan bayi jika diketahui berat badan ibu sebesar 60 kg, maka

•      Berat badan bayi =663,64+ 44,32(berat badan ibu)

•      Berat badan bayi= 663,64 + 44,32(60)

•      Berat badan bayi = 3322,84

Keterangan

•      Prediksi regresi tidak dapat menghasil;kan angka yang tepat seperti di atas, namun perkiraannya tergantung dari nilai ‘Std, Error of The estimate’(SEE) yang besarnya adalah 429,719 (lihat di kotak Model Summary).

•      Dengan demikian variasi variabel dependen = Z*SEE.

•      Nilai Z dihitung dari tabel Z dengan tingkat kepercyaan 95% dan didapat nilai Z = 1,96, sehingga variasinya

  1,96 *429,719 = ± 842,249

•      Jadi dengan tingkat kepercayaan 95%, untuk berat badan ibu 60 kg diprediksikan berat badan bayinya adalah diantara 2480,6 gr s.d 4165,1 gr