Uji Normalitas dengan SPSS

Sebelum kita melakukan analisis data dan untuk menentukan uji yang cocok apakah akan menggunakan uji statistik parametrik atau statistik non parametrik, maka perlu dilakukan uji normalitas. Data yang diuji adalah variabel dependen yang berbentuk numerik.

Uji normalitas di SPSS dapat kita lakukan dengan langkah-langkah sebagai berikut :

1. Dari menu utama SPSS, pilihlah Analyze --> Descriptive ---> Explorer, sampai muncul jendela seperti dibawah ini :

2. Pada kotak dialog tersebut , pilih variabel yang akan dianalisis. Sebagai contoh saya menggunakan variabel  "Berat bayi lahir (bbayi)". Pilih variabel tersebut, kemudian klik tombol 'segitiga" yang paling atas untuk memasukannya ke kotak 'Dependent List:', seperti terlihat dibawah ini :

3. Klik Plots..., kemudian aktifkan (centang) "Histogram" dan "Normality plots with test".

4. Klik Continue.
5. Lalu klik OK
6. Akan Muncul jendela output. Nah.... dari banyaknya tabel dan gambar yang muncul yang perlu anda perhatikan adalah gambar histogram dan tabel Tests of Normality, seperti berikut :

Dari tebel Test of Normality pada kolom Kolmogorv-Smirnov terlihat bahwa p-value = 0,200, artinya bahwa data 'berat bayi lahir' berdistribusi normal. Dari gambaran histogram juga, nampak kalau data cenderung berdistribusi normal.

.

Blog Biostatistik : http://statistik-kesehatan.blogspot.com/2011/03/uji-normalitas-dengan-spss.html

Read More

Transformasi Data di SPSS

Transformasi data adalah suatu proses dalam merubah bentuk data. Misalnya  merubah data numerik menjadi data kategorik atau merubah dari beberapa variabel yang sudah ada dibuat satu variabel komposit yang baru. Beberapa perintah SPSS yang sering digunakan adalah RECODE dan COMPUTE. Untuk kali ini saya akan mencoba melakukan transformasi data dengan metode "Recode". Misalnya saya memiliki data tentang pendidikan yang terdiri dari (dengan kode) 1= Tidak Sekolah/Tidak Tamat SD, 2=Tamat SD, 3=Tamat SMP, 4=Tamat SMA, 5= Akademi/PT. Lantas saya ingin merobahnya menjadi 3 (tiga) tingkatan saja yang terdiri dari 1= Rendah, 2= Menengah, dan 3 = Tinggi. Sebelum melakukan transformasi, perubahan kategori diatas harus didefinisikan terlebih dahulu. Yaitu untuk kategori "rendah" bila pendidikannya "Tidak Sekolah/Tidak Tamat SD dan Tamat SD", untuk kategori   "Menengah" bila pendidikannya adalah "Tamat SMP", dan kategori "Tinggi" jika pendidikannya adalah "Tamat SMA dan Akademi/PT". Dari definisi di atas kita akan melakukan perubahan kode, yaitu 1-2 =1, 3=2, dan 4-5=3. Untuk melakukan transformasi ini, maka saya akan menggunakan perintah "recode", dengan langkah-langkah sebagai berikut : Dari menu utama di jendela editor SPSS anda, pilihlah Transform--> Recode--> IntoDifferent Variable...    Pilihlah variabel pendidikan, kemudian klik tanda segitiga untuk memasukannya ke kotak sebelah kanan. Isi kotak name dengan variabel baru mislanya "didik_baru"(ingat tidak boleh ada spasi, tulisan harus bersambung). Klik tombol "Change", sehingga pada kotak "Numeric Variable->Output Variable" terlihat "pendidikan -->didik_baru". Selanjutnya klik tombol "Old and News Values..", akan muncul jendela berikut : Pada lajur kiri "Old Vaalue", klik option button Range: through, (artinya  kita akan mengisi angka dari '...' sampai. '...' ) isi kotak kosong tersebut  dengan angka 1 dan 2, kemudian pada "New value.." di option Value isi dengan angka "1". Selanjutnya Klik Add, hasilnya seperti ini : Berikutnya pada "Old Value". Pilih option button "Value:"(karena, angka yang kita masukan hanya satu, bukan range/rentang/interval) kemudian masukan angka "3". Pada "New value.." di option Value isi dengan angka "2". Klik Add. Selanjutnya  pada "Old Vaalue", klik option button "Range: through," atau anda dapat memilih pilihan "Range through highest" (artinya :kurang dari atau sama dengan), saya memilih "Range through highest" isi kotak kosong tersebut  dengan angka  "4" . Kemudian pada "New value.." di option Value isi dengan angka "3". Selanjutnya Klik Add, hasilnya seperti ini : Klik Continue   Kemudian klik OK. Perubahan nampak pada jendela editor, lihat kolom paling kanan pada jendela "Data View".  Untuk contoh recode lainnya..tunggu tutorialnya..

Blog Biostatistik : http://statistik-kesehatan.blogspot.com/2011/03/transformasi-data-di-spss.html

Read More

Uji T Satu Sampel dengan SPSS

Sudah tau kan uji T satu sampel, kalau belum baca dulu postingan yang ini, kalau yang dulu hitungannya manual, sekarang kita akan apikasikan di SPSS :

1. Buka SPSS anda.

2. Misalkan saya memiliki datanya seperti di bawah ini :

3. Kita akan melakukan uji apakah data yang kita dapatkan berbeda dengan data sebelumnya, menurut informasi rata-rata kunjungan pasien tahun lalu sebanyak 20 orang.

4. Pada menu di SPSS pilih Analyze --> Compare Means --> One-Sample T Test, jelasnya seperti ini :

 

5. Setelah itu akan muncul jendela seperti ini :

6. Pilih variabel "kunjungan pasien", lalu klik tanda 'segitiga' untuk memindahkan variabel tersebut ke kotak 'Test Variables'.

7. Isi kotak 'Test Value' dengan angka "20"(angka 20 merupakan rata-rata kunjungan pasien tahun lalu), kemudian klik OK. Hasilnya :

 

8. Kesimpulan

Dari tabel "One-Sample Statistics" terlihat bahwa rata-rata kunjungan sebanyak 23 orang, dengan standar deviasi 3,387. Bila melihat dari rata-rata kunjungan saat ini memang ada perbedaan, namun perbedaan ini apakah bermakna secara statistik ?

Mari kita lihat pada tabel "One-Sample Test" pada kolom "Sig.(2-tiled)" diperoleh nilai P = 0,001, maka nilai P < α, sehingga Ho ditolak. Dengan demikian dapat kita simpulkan bahwa ternyata pada uji statistik dua sisi (2-tailed)  pada taraf nyata α = 0,05, menunjukan ada perbedaan yang bermakna antara kunjungan pasien tahun lalu dengan tahun ini. 

Mudah kan..????

Blog Biostatistik : http://statistik-kesehatan.blogspot.com/2011/03/uji-t-satu-sampel-dengan-spss.html

Read More

Uji T Independen dengan SPSS

Kesempatan ini akan saya gunakan untuk memberikan contoh penerapan Uji T (T-test) independen di SPSS. Sebagaimana diketahui bahwa uji ini digunakan, bila kita memiliki data kategorik dan numerik.

Sebagai contoh misalnya kita ingin mengetahui apakah ada pengaruh ibu yang merokok dan ibu yang tidak merokok (status merokok merupakan data kateorik) terhadap berat bayi yang dilahirkan (berat bayi lahir merupakan data numerik).Kebetulan saya memiliki filenya, jadi file ini akan saya gunakan untuk tutorial kali ini.

Langkahnya sebagi berikut :

Buka/aktifkan  SPSS anda. Kemudian pada menu utama klik File --> Open --> Data, sampai muncul layar seperti di bawah ini :

 Pilih file "bbay.sav" dan klik open, akan muncul layar di bawah ini :

Yang perlu diperhatikan pada layar di atas adalah variabel "rokok" dan "bbayi". Karena kedua variabel ini yang akan kita uji.

Selanjutnya klik pada menu utama SPSS anda Analyze --> Compare Means-->Independent-Samples-T Test :

Lalu akan muncul layar  seperti ini :

Pilih variabel "bbayi" dengan cara mengklik variabel tersebut.
Kemudian klik tanda segitiga paling atas untuk memasukan variabel tersebut ke kotak Test variable(s).

Klik variabel "rokok' dan masukan ke kotak Grouping variable.
Kemudian klik tombol Define Group, dan isi angka "0" pada kotak Group 1 dan angka "1" pada kotak Group 2. Lalu klik Continue.

Klik OK untuk menjalankan prosedur. Pada layar output akan nampak hasil seperti berikut :

Dari tabel Group Statistics, terlihat bahwa rata-rata berat bayi yang dilahirkan oleh ibu yang tidak merokok adalah 3054,96 gram, sedangkan berat bayi yang dilahirkan oleh ibu yang perokok sebesar 2773,24 gram. Namun apakah perbedaan ini berbeda juga secara statistik ?

Untuk melihat perbedaan ini kita lihat pada tabel Independent Samples Test. Pada tabel tersebut ada dua baris (sel), sel pertama dengan asumsi bahwa varian kedua kelompok tersebut sama, sedangkan pada sel kedua dengan asumsi bahwa varians kedua kelompok tersebut tidak sama. Untuk memilih sel mana yang akan kita gunakan sebagai uji, maka kita lihat pada kolom uji F, jika Signifikansinya > 0,05 maka asumsinya varian sama sebaliknya jika Sig. <=0,05 maka variannya tidak sama. Dari uji F menunjukan kalau varian kedua kelompok tersebut sama (P-value = 0,221), sehingga sel akan dibaca adlah sel pertama.

Dari kolom uji T menunjukan bahwa nilai P = 0,009 untuk uji 2-sisi . Karena P-value lebih kecil dari

α = 0,05 yang berarti Ho ditolak, sehingga dapat kita simpulkan bahwa secara statistik ada perbedaan yang bermakna rata-rata berat bayi yang dilahirkan oleh ibu yang merokok dengan ibu yang tidak merokok dengan kata lain ada pengaruh merokok terhadap berat bayi lahir.

Uji tersebut di atas adalah uji 2-sisi, bagaimana kalau uji 1-sisi ? Bila uji yang kita lakukan adalah uji 1-sisi maka nilai P harus dibagi 2 sehingga menjadi  P-value = 0,0045.

Blog Biostatistik : http://statistik-kesehatan.blogspot.com/2011/03/uji-t-independen-dengan-spss.html

Read More

Uji T Dependen (Berpasangan) dengan SPSS

Uji-t untuk data berpasangan berarti setiap subjek diukur dua kali. Misalnya sebelum dan sesudah dilakukannya suatu intervensi atau pengukuran yang dilakukan terhadap pasangan orang kembar. Dalam contoh ini akan membandingkan data sebelum dengan sesudah intervensi.

Contoh Kasus :
Suatu studi ingin mengetahui pengaruh suatu metode diet, lalu diambil 28 ibu sebagai sampel untuk menjalani program diet tersebut. Pengukuran berat badan yang pertama (BBIBU_1) dilakukan sebelum kegiatan penyesuaian diet dilakukan, dan pengukuran berat badan yang kedua (BBIBU_2) dilakukan setelah dua bulan menjalani penyesuaian diet.

Buka SPSS, dan masukan datanya seperti ini :

Kita akan melakukan uji hipotesis untuk menilai apakah ada perbedaan berat badan ibu antara sebelum dengan sesudah mengikuti program diet, langkah-langkahnya sebagai berikut.

Dari menu utama, pilihlah:  Analyze-->Compare Mean-->Paired-Sample T-test…. 

Pilih variabel BBIBU_1 dan BBIBU_2 dengan cara mengklik masing-masing variable tersebut.
Kemudian klik tanda ‘segitiga’ untuk memasukkannya ke dalam kotak Paired-Variables.  Seperti nampak di bawah ini :

Selanjutnya klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti berikut:

Dari 28 subjek yang diamati terlihat bahwa rata-rata (mean) berat badan dari ibu sebelum intervensi (BBIBU_1) adalah 57.54, dan rata-rata berat badan sesudah intervensi (BBIBU_2) adalah 56,21. Uji ‘t’ yang dilakukan terlihat pada tabel berikut:

Dari hasil uji-t berpasangan tersebut terlihat bahwa rata-rata perbedaan antara BBIBU_1 dengan BBIBU_2 adalah sebesar 1.321. Artinya ada penurunan berat badan sesudah intervensi dengan rata-rata penurunan sebesar 1.32 kg.

Hasil perhitungan nilai “t” adalah sebesar 5,133 dengan p-value 0.000 dapat ditulis 0,001 (uji 2-arah). Hal ini berarti kita menolak Ho dan menyimpulkan bahwa  secara statistik ada perbedaan yang bermakna antara rata-rata berat badan sebelum dengan sudah intervensi.

Dari hasil di atas kita bisa menilai  bahwa program diet tersebut berhasil.

Blog Biostatistik : http://statistik-kesehatan.blogspot.com/2011/03/uji-t-dependen-berpasangan-dengan-spss.html

Read More

Uji Anova (One Way) dengan SPSS

Kali ini saya akan mencoba mempraktekan  uji Anova One way di SPSS, Untuk mengatahui dasar uji ini sebaiknya anda membaca postingan sebelumnya.

Pada praktek kali ini saya menggunakan data dari suatu studi yang ingin mengatahui hubungan Ras (warna kulit) ibu dengan berat bayi yang dilahirkan. Warna kulit pada kasus ini terbagi dalam 3 kategorik, yaitu : putih, hitam, dan lainnya. Data yang diperoleh sebagai berikut :

1. Buka SPSS, lalu masukan (entry) data di atas seperti ini:

2. Pada menu utama SPSS pilih Analyze --> Compare Means --> One-Way ANOVA...sampai muncul jendela One-Way ANOVA seperti ini :

3. Pilih variabel "berat bayi" lalu klik tanda segitiga paling atas untuk memindahkannya ke kotak "Dependent List:" Kemudian pilih variabel "warna kulit (ras)" lalu klik tombol segitiga di bawah untuk menempatkan variabel ras ke kotak "Factor:" Sehingga nampak seperti di bawah ini :

4. Klik tombol Option...  akan muncul jendela ini :

5. Centang (tandai) pilihan Descriptive dan Homogeneity of variance test, kemudian klik Continue


6. Masih dijendela One-Way ANOVA, klik tombol Post Hoc... sampai muncul jendela ini :

7. Pada kotak "Equal Variances Assumed" centang pilihan Bonferroni dan pada kotak "Equal Variances Not Assumed" centang pilihan Games-Howell. Klik Continue.

8. Untuk menjalankan prosedur, klik OK sehingga keluar output berikut :

Dari tabel Descriptives nampak bahwa ibu yang berkulit putih rata-rata melahirkan bayi sebesar 3197,85 gram, ibu yang berkulit hitam rata-rata melahirkan bayi sebesar 2719,69 gram, dan ibu yang berkulit lainnya melahirkan bayi rata-rata beratnya 2952,55 gram. Selanjutnya untuk melihat uji kita lihat di tabel ANOVA :

Sebelum melanjutkan uji perlu  diingat bahwa salah satu asumsi uji Anova adalah variansnya sama. Dari tabel Test of Homegeneity of Variances terlihat bahwa hasil uji menunjukan bahwa varian ketiga kelompok tersebut sama (P-value = 0,742), sehingga uji Anova valid untuk menguji hubungan ini.

Selanjutnya untuk melihat apakah ada perbedaan rata-rata berat bayi yang dilahirkan dari ketiga kelompok ras tersebut, kita lihat  tabel ANOVA , dari tabel itu pada kolom Sig. diperoleh nila P (P-value) = 0,034. Dengan demikian pada taraf nyata = 0,05 kita menolak Ho, sehingga kesimpulan yang didapatkan adalah  ada perbedaan yang bermakna rata-rata berat bayi yang dilahirkan oleh ketiga kelompok ras tersebut.

Jika hasil uji menunjukan Ho gagal ditolak (tidak ada perbedaan), maka uji lanjut (Post Hoc Test) tidak dilakukan. Sebaliknya jika hasil uji menunjukan Ho ditolak (ada perbedaan), maka uji lanjut (Post Hoc Test) harus dilakukan.

Karena hasil uji Anova menunjukan adanya perbedaan yang bermakna, maka uji selanjutnya adalah melihat kelompok mana saja yang berbeda.

Untuk menetukan uji lanjut mana yang digunakan, maka kembali kita lihat tabel Test of Homogeneity of Variances, bila hasil tes menunjukan varian sama, maka uji lanjut yang digunakan adalah uji Bonferroni. Namun bilai hasil tes menunjukan varian tidak sama, maka uji lanjut yang digunakan adalah uji Games-Howell.

Dari Test of Homogeneity  menghasilkan bahwa varian ketiga kelompok tersebut sama, maka uji lanjut (Post Hoc Test) yang digunakan adalah Uji Bonferroni.

 

Dari tabel di atas memperlihatkan bahwa  kelompok yang menunjukan adanya perbedaan rata-rata berat bayi yang dilahirkan (ditandai dengan tanda bintang "*") adalah Kelompok ibu yang berkulit putih dan ibu berkulit hitam.

Blog Biostatistik : http://statistik-kesehatan.blogspot.com/2011/04/uji-anova-one-way-dengan-spss.html

Read More