PPNI Qatar 2018
Oleh:
Sobur Setiaman
Pengantar Modul Praktikum Analisa Data Kuantitatif di susun untuk memenuhi kebutuhan latihan pada perawat Indonesia yang akan melakukan penelitian di bidang keperawatan. Modul ini di adaptasi dari modul yang berbahasa Inggris sudah di coba dipakai untuk membantu bebrapa orang perawat yang sedang menyusun tesis keperawatan. Dengan adanya praktikum ini akan membantu memahami bagaimana melakukan uji kuesioner dan menguji statistik secara praktis dengan bantuan software SPSS. Pada modul ini ditekan bagaimana para perawat dapat menguasi software SPSS dalam: 1. Menguji kuesioner 2. Menganalisa data dg uji univariate 3. Menganalisa data dg uji bivariate 4. Menganalisa data dg uji regresi 5. Menganalisa data dg uji ANOVA 6. Menganalisa data dg uji multivariat Selamat mengikuti Wassalam, Penulis Sobur Setiaman SKep, Ners
Daftar isi:
Modul 1. Membuat kuesioner Modul 2. Membuat Kode data dan Variable View Modul 3. Uji kuesioner Modul 4. Statitistik Deskriptif Modul 5. Tabulasi data silang dan uji Kai Kuadrat Modul 6. Uji Normalitas pada Variabel Kontinyu Modul 7. Uji Independensi pada Data Interval Berpasangan Modul 8. Uji Independensi pada data Nominal dengan Interval Modul 9. Uji Independensi pada data Ordinal dengan Interval Modul 10. Uji korelasi pada dua data interval Modul 11. Uji Regresi Linier Sederhana Modul 12. Uji Regresi Logistik Sederhana Modul 13. Uji Regresi Multivariat Modul 14. Uji ANOVA 1 Faktor Modul 15. Uji ANOVA 2 Faktor Modul 16. Uji ANOVA Multivariat Daptar Pustaka
Modul 1 Membuat Kuesioner Penulis: Sobur Setiaman 1. Tujuan Setelah mempelajari bab ini, anda harus bisa mampu: 1. 2. 3. 4. 5.
2. 1. 2. 3. 4. 5. 6. 7. 8.
Menjelaskan teori pengukuran. Menentukan jenis data. Menentukan jenis skala pengukuran. Membuat kuesioner. Menganalisis data secara manual sebelum digunakan pada SPSS.
Ruang lingkup Pengantar Teori pengukuran data Jenis ukuran data (Level measurement) Skala pengukuran (Scale measurement) Kuesioner Contoh hasil analisa distribusi frekwensi Contoh hasil analisis sentral tendensi Tugas
3. Pengantar Dalam melakukan penelitian, hal-hal yang harus di perhatikan adalah sebagai berikut: 1. Objek apa saja yang ingin di teliti? Umumnya objek yang diteliti berkaitan dengan kesehatan adalah seseorang, tempat dan waktu yang berkaitan dengan perilakunya. 2. Tentukan tujuan penelitian ini? Hanya untuk menggambarkan keadaan atau menggali adanya hubungan sebab akibat. 3. Tentukan jenis penelitiannya? Jenis penelitian berbentuk uraian/deskriptif atau menganalisa hubungan antara satu variabel dengan variabel lainya.
1 21 December, 2018
4. Tentukan kerangka teoritis dan kerangka penelitiannya (framework of theory and practice)? Dari kerangka ini di transformasikan ke dalam alat bentuk alat pengumpulan data, dan jenis analisanya. 5. Tentukan alat pengumpulan data yang sesuai dengan objek penelitian dan kerangka teori? a. Pada umumnya alat pengumpulan data ada dua jenis yaitu kuesioner, formulir pengamatan. b. Alat pengumpul data sebagai terjemahan dari kerangka teori dan kerangka penelitian. c. Pengambilan data dilakukan dengan cara mengirim kuesioner, wawancara atau pengamatan langsung oleh pengamat yang ditugaskan oleh peneliti. 6. Tentukan jenis data yang akan di kumpulkan dan cara pengukuran data yang sudah terkumpul? Hal ini sangat penting, sebab berkaitan dengan cara pengelompokan data dan perhitungan jumlah data. 7. Tentukan cara mengambil data? berapa besar data yang akan di ambil? 8. Tentukan alat pengolahan data? Apakah di olah secara manual atau dengan bantuan perangkat lunak statistik. 9. Tentukan cara menyajikan informasi? Pada umumnya setelah data di olah, harus bisa menampilkan sebuah informasi. Tampilan informasi dalam bentuk tabel atau gambar distribusi dan frekwensi data.
4. Teori Pengukuran Data Apa yang disebut dengan Statistika?
Statistik adalah Ilmu tentang cara-cara ilmiah untuk
mengumpulkan, menyusun, meringkas, dan menyajikan data hasil penyelidikan. Data yang sudah disajikan bisa di tarik kesimpulan dengan teliti (SutrisnoHadi,1995:1). Ilmu statistik digunakan dalam melakukan suatu penelitian, karena dari hasil penelitian akan berkaitan dengan data, maka untuk mempermudah bagaimana melakukan penelitian, harus dipelajari dulu tentang cara pengukuran data, penentukan jenis ukuran data, skala pengukuran dan
2 21 December, 2018
penentuan alat pengumpul data, selanjutnya akan mudah dalam melakukan mengolah, menyajikan dan menyimpulkan data yang sudah terkumpul. Measurement is the process of assigning number or label to object, event or people according to particular set of ruler (Kerling. 1986) Measure all that can be measure and render measurable all that defies measurement (Galileo Galilei) Pengukuran adalah: 1. Suatu proses pemberian nomor pada atribut (objek, kejadian atau orang) yang bisa diukur. 2. Suatu proses perbandingan antara objek ukur dengan alat ukur. Karakteristik pengukuran memiliki 4 komponen: 1. PROSES: Pengukuran memuat prosedur terstandar 2. KUANTIFIKASI: Pengukuran menghasilkan angka 3. KONTINUM: Karena berada pada satu kontinum, hasil pengukuran antar individu dapat dibandingkan 4. DESKRIPTIF: Hasil pengukuran dapat dipetakan dalam klasifikasi
Kategori pengukuran meliputi: 1. Pengukuran Kuantitatif (quantitative measure) yaitu hasil proses pengukuran yang menghasilkan data kuantitatif. 2. Pengukuran Kualitatif (qualitative inquiry) yaitu hasil proses pengukuran yang menghasilkan deskripsi atau narasi label atau kategori. Alat pengukuran dalam penelitian kesehatan adalah sebagai berikut: 1. Kuesioner: misalnya mengukur kepuasan pelayanan pelayanan kesehatan. 2. Observasi: misalnya mengobservasi perilaku buang air besar. 3. Interview: misalnya menanyakan besarnya rasa nyeri bagaimana mengatasi nyeri fase persalinan.
3 21 December, 2018
Yang menjadi objek pengukuran status kesehatan individu menurut definisi kesehatan oleh WHO meliputi: 1. Kesehatan Fisik. 2. Kesehatan Mental. 3. Sosial ekonomi kesehatan. Yang menjadi objek pengukuran status kesehatan masyarakat berdasarkan teori H.L. Blum adalah: 1. Perilaku kesehatan. 2. Sarana pelayanan kesehatan. 3. Keadaan kesehatan lingkungan. 4. Penyakit keturuan. Daftar pertanyaan/kuesioner tentang survei kesehatan menurut L Green, memiliki 5 faktor yang harus diperhatikan: 1. Pengetahuan (knowledge) – apa yang mereka ketahui? Cuci tangan sebelum dan setelah makan serta sikat gigi setelah makan? Benar__ Salah__ 2. Sikap (Attitude) – apa pendapat mereka tentang kesehatan? Cuci tangan sebelum makan mencegah infeksi HIV dan Hepatitis. Sangat setuju__Setuju__ Tidak setuju_ Sangat tidak setuju__ 3. Kepercayaan (beliefs) – kebenaran pikiran apa saya tentang kesehatan? Merokok pada saat ibu hamil dapat menyebabkan kelahiran berat badan bayi rendah? Ya__ Tidak__ 4. Perilaku (Behavior) – apa yang mereka sedang lakukan? Apakah ibu merokok? Ya__ Tidak__ 5. Kepemilikan (Attributs) – apa yang dimiliki mereka itu? Berapa usia nya?__ tahun Jenis kelamin? Laki-laki__ Perempuan__
4 21 December, 2018
Hendrik L Blum juga menyebutkan 12 indikator yang berhubungan dengan derajat kesehatan, yaitu: 1. Life span: yaitu lamanya usia harapan untuk hidup dari masyarakat, atau dapat juga dipandang sebagai derajat kematian masyarakat yang bukan karena mati tua. 2. Disease or infirmity: yaitu keadaan sakit atau cacat secara fisiologis dan anatomis dari masyarakat. 3. Discomfort or illness: yaitu keluhan sakit dari masyarakat tentang keadaan somatik, kejiwaan maupun sosial dari dirinya. 4. Disability or incapacity: yaitu ketidakmampuan seseorang dalam masyarakat untuk melakukan pekerjaan dan menjalankan peranan sosialnya karena sakit. 5. Participation in health care: yaitu kemampuan dan kemauan masyarakat untuk berpartisipasi dalam menjaga dirinya untuk selalu dalam keadaan sehat. 6. Health behavior: yaitu perilaku manusia yang nyata dari anggota masyarakat secara langsung berkaitan dengan masalah kesehatan. 7. Ecologic behavior: yaitu perilaku masyarakat terhadap lingkungan, spesies lain, sumber daya alam, dan ekosistem. 8. Social behavior: yaitu perilaku anggota masyarakat terhadap sesamanya, keluarga, komunitas dan bangsanya. 9. Interpersonal relationship: yaitu kualitas komunikasi anggota masyarakat terhadap sesamanya. 10. Reserve or positive health: yaitu daya tahan anggota masyarakat terhadap penyakit atau kapasitas anggota masyarakat dalam menghadapi tekanan-tekanan somatik, kejiwaan, dan sosial. 11. External satisfaction: yaitu rasa kepuasan anggota masyarakat terhadap lingkungan sosialnya meliputi rumah, sekolah, pekerjaan, rekreasi, transportasi. 12. Internal satisfaction: yaitu kepuasan anggota masyarakat terhadap seluruh aspek kehidupan dirinya sendiri. Yang menjadi objek pengukuran epidemiologi penyakit atau masalah kesehatan adalah sebagai berikut: (1) Karakteristik individu (person), (2) Waktu kejadian (time), (3) Tempat kejadian (place). Yang menjadi objek respon atau persepsi pasien terhadap suatu penyakit atau penderitaan, menggunakan questionnaire quality of life atau dengan istilah lainya QoL. Pada quality of life, kita selidiki persepsinya terhadap kehidupan sehari-harinya, termasuk keadan emosional, sosial dan aspek fisik pasen.
5 21 December, 2018
Katz Index of Independence in Activities of Daily Living dapat digunakan untuk mengkaji kemandirian pasien manula. Tabel 1.1
6 21 December, 2018
5. Jenis ukuran data (Level measurement) Tingkat pengukuran berkaitan dengan hubungan antara nilai yang didapat dari suatu atribut variabel. Contoh Pilihan cara cuci tangan. Cara Cuci tangan
Variabel
Atribute
Dengan air Sabun
Nilai
10
Dengan Alcohol
20
Hubungan
Pada umumnya jenis ukuran data di kelompokan dalam dua kelompok ukuran data yaitu: 1. Jenis Data kategorik. Yang termasuk data kategorik adalah dimana data yang di dapat dari hasil pengamatan dalam bentuk penggolongan, bukan hasil pengukuran contohnya data jenis kelamin di dapat bukan dengan cara pengukuran tapi di observasi dan di kelompokan dalam dua kelompok yaitu laki-laki dan perempuan. Data kategorik tidak bisa diolah dalam bentuk nilai rata-rata, contoh kasus hasil pengamatan terdapat data laki-laki ada 2 orang dan perempuan ada 1. Data tersebut tidak 7 21 December, 2018
bisa di hitung 2 ditambah 1 menjadi 3 lalu dibagi 2, sebab nilainya akan jadi 1,5. Data kategorik setelah diolah akan memberikan informasi dalam bentuk distribusi frekwensi. Dua jenis ukuran data kategorik: a. Nominal adalah data kategori yang tidak memiliki tingkatan seperti jenis kelamin, warna, rasa dan lain lain. b. Ordinal adalah data kategori yang memiliki tingkatan seperti jenis pendidikan dari yang terendah sampai tertinggi.
2. Jenis Data numerik (continuous): Yang termasuk data numerik adalah dimana data yang di dapat dari hasil pengukuran dalam bentuk angka, contohnya hasil pengukuran berat badan dalam kg. Data hasil pengumpulan data numerik, data dapat di oleh dalam bentuk nilai rata-rata, standar deviasi, varian, median dan mode. Terdapat dua jenis ukuran data numerik yaitu: a. Interval adalah data namerik hasil pengukuran yang memiliki jarak tertentu termasuk data interval seperti tinggi badan, berat badan. b. Rasio adalah data namerik hasil pengukuran yang memiliki titik terendah adalah nol. Gambar jenis ukuran data
8 21 December, 2018
6. Skala Pengukuran (scale measurement) Skala pengukuran melibatkan bentuk instrument yang akan digunakan dan berkaitan antara ukuran kualitatif dengan kuantitatif. Skala pengukuran di kelompokan dalam dua kelompok yaitu satudimensi dan multidimensi. Skala pengukuran satu-dimensi di kembangkan sejak tahun 1950 dam awal tahun1960 yang dijadikan sebuah teori pengukuran (measurement theorists) menjadi lebih lanjut dalam bentuk skala multidimensi. Skala pengukuran diperlukan untuk menguji suatu hipotesis. Dengan melakukan pengukuran, bisa
diketahui hasil pengukuran ini termasuk satudimensi atau multidimensi. Skala pengukuran yang di buat dalam satu-dimensi artinya skala pengukuran ini memberikan nomor garis. Contoh garis pengukuran tinggi badan.
Tinggi badan Pendek
Tinggi
Pengukuran dalam dua-dimensi, misalnya tentang buah manga: Pengukurusan berdasarkan rasa dan besarnya buah manga. Rasa buah dalam bentuk X dan ukuran buah dalam bentuk Y, maka akan memperlihatkan suatu garis linier. Besar
Asam
Buah Mangga
Manis
Kecil
9 21 December, 2018
Terdapat tiga metoda pengukuran satu-dimensi yaitu Skala likert (Summative scaling), Thurstone (Equal-Appearing Interval Scaling), dan Skala Guttman (Cumulative Scaling). Para ahli sosiologi membedakan skala pengukuran menurut gejala sosial yang diukur, yaitu : 1. Skala pengukuran untuk mengukur perilaku susila dan kepribadian. Termasuk tipe ini adalah : skala sikap, skala moral, test karakter dan skala partisipasi sosial. 2. Skala pengukuran untuk mengukur berbagai aspek budaya dan lingkungan sosial. Termasuk tipe ini adalah : skala mengukur status sosial ekonomi, lembaga-lembaga swadaya masyarakat (sosial), kemasyarakatan, kondisi rumah tangga, dll.
Pengukuran Sikap, pendapat dan persepsi dengan Skala Likert Skala Likert digunakan untuk mengukur sikap, pendapat dan persepsi seseorang atau sekelompok orang tentang kejadian atau gejala sosial. Dengan menggunakan skala Likert, maka variabel dijabarkan menurut urutan variabel –sub variabel –indikator –deskriptor. Dan deskriptor ini dapat dijadikan titik tolak untuk membuat butir instrumen berupa pernyataan atau pertanyaan yang perlu dijawab oleh responden. Tabel 1.2 Setiap jawaban dihubungkan dengan bentuk pernyataan atau dukungan sikap yang diungkapkan dengan kata –kata sebagai berikut : Pernyataan Positif Pernyataan Negatif Sangat Setuju (SS) 5 Sangat Setuju (SS) 1 Setuju (S) 4 Setuju (S) 2 Netral (N) 3 Netral (N) 3 Tidak Setuju (TS) 2 Tidak Setju (TS) 4 Sangat Tidak Setuju (STS) 1 Sangat tidak Setuju (STS) 5
Item-item Likert menyediakan respon dengan kategori yang berjenjang. Biasanya banyaknya jenjang adalah lima, yaitu : sangat setuju, setuju, ragu-ragu, tidak setuju dan sangat tidak setuju. Setiap kategori respon, selanjutnya diberi skor. Untuk item positif, skor terbesar adalah 5, skor terendah adalah 1 dan sebaliknya jika item negatif.
10 21 December, 2018
Untuk menghitung total skor tiap responden adalah dengan cara menjumlahkan skor-skor item yang diperoleh responden. Oleh karena itu, prosedur penskalaan Likert sering disebut sebagai : Likert’s Summated Rating. Langkah-langkah menyusun skala Likert’s Summeted Rating: a. Tentukan secara tegas sikap terhadap topik apa yang akan diukur. b. Tentukan secara tegas, sub variabel/dimensi yang menyusun sikap tersebut, kognitif, afektif dan konatif (kecenderungan perilaku). c. Susun pernyataan/pertanyaan atau item yang merupakan alat pengukur dimensi yang menyusun sikap yang akan diukur sesuai dengan indikator. d. Setiap item diberi respon yang sifatnya tertutup (closed questionare). e. Untuk setiap respon, jawaban diberi skor berdasarkan kriteria sebagai berikut : apabila item positif maka angka terbesar diletakkan pada respon “sangat setuju” sedangkan bila item negatif maka angka terbesar diletakkan pada respon “sangat tidak setuju”. f. Untuk mengetahui posisi setiap responden tentang suatu variabel, tentukan skor maksimal dan skor minimal yang mungkin dicapai oleh responden. Contoh : Terdapat 5 item untuk mengukur sikap terhadap kebiasaan cuci tangan, dengan lima butir pernyataan dan dijawab oleh 10 responden, maka diperoleh skor total. Tabel 1.3 Butir / Item Pernyataan
No. Responden 1 2 3 4 5 6 7 8 9 10
1 5 3 3 3 4 5 4 4 3 4
2 4 4 2 4 3 4 5 4 3 3
3 4 4 2 4 3 4 4 5 4 3
4 5 3 3 2 3 3 4 5 4 4
Skor Total 5 3 3 4 4 5 5 4 4 3 3
21 17 14 17 18 21 21 22 17 17 185
11 21 December, 2018
Berdasarkan data tersebut, langkah-langkah yang dapat ditempuh untuk mengetahui bagaimana sikap responden terhadap kebiasaan cuci tangan adalah : a. Skor maksimal, yaitu skor jawaban terbesar di kali banyak item. 5 x 5 = 25 b. Skor minimal, yaitu skor jawaban terkecil dikali banyak item. 1 x 5 = 5 c. Nilai median, yaitu hasil penjumlahan skor maksimal dengan skor minimal dibagi dua. (25+5) : 2 = 15 d. Nilai kuartil 1, yaitu hasil penjumlahan skor minimal dengan median dibagi dua. (5+15) : 2 = 10 sedangkan nilai kuartil 3, yaitu hasil penjumlahan skor maksimal dengan median dibagi dua. (25+15) : 2 = 20 Gambar dibawah ini akan menggambarkan skor minimal, nilai kuartil 1, median, kuartil 3 dan skor maksimal.
Carilah batas –batas skor untuk masing-masing kategori sikap. Berdasarkan gambar skala tadi, maka range skor dari keempat kategori adalah : Tabel 1.4 Kategori Sikap
Kategori Skor
Range Skor Total
Sikap Sangat Positif
Kuartil 3 ≤ x ≤ Skor Maksimal
20 –25
Sikap Positif
Median ≤ x < Kuartil 3
15 –20
Sikap Negatif
Kuartil 1 ≤ x < Median
10 –15
Sikap Sangat negatif
Skor Minimal ≤ x < Kuartil 1
5 –10
Tabel 1.5 No. Responden 1 2 3 4 5 6 7 8 9 10
1 5 3 3 3 4 5 4 4 3 4
Butir / Item Pernyataan 2 3 4 4 4 5 4 4 3 2 2 3 4 4 2 3 3 3 4 4 3 5 4 4 4 5 5 3 4 4 3 3 4
5 3 3 4 4 5 5 4 4 3 3
Skor Total 21 17 14 17 18 21 21 22 17 17 185
Kategori Sikap Sikap Sangat positif Sikap Positif Sikap negative Sikap Positif Sikap positif Sikap sangat positif Sikap sangat positif Sikap sangat positif Sikap Positif Sikap Positif
12 21 December, 2018
Tabel 1.6 Kategori Sikap kebiasaan cuci tangan Sikap Sangat Positif Sikap Positif Sikap Negatif Sikap Sangat negatif
Distribusi frekwensi
%
4 5 1 0
0.4 0.5 0.1 0
Kesimpulan : Berdasarkan tabel di atas tampak bahwa sikap terhadap kebiasaan cuci tangan tersebar pada kategori sikap yang sangat positif 40%, sikap positif 50% dan sikap negatif 10%. Persentase tersebut memberikan arti bahwa sebanyak 40% responden memandang kebiasaan cucitangan adalah sangat baik. Lalu sebanyak 50% responden memandang kebiasaan cucitangan adalah baik. Sedangkan sisanya 10% responden memandang kebiasaan cucitangan adalah tidak baik. Keterangan : a. Kategori sikap sangat positif, yaitu daerah yang dibatasi oleh kuartil 3 dan skor maksimal. (Kuartil 3 ≤ x ≤ skor maksimal. b. Kategori sikap positif, yaitu daerah yang dibatasi oleh median dan kuartil 3. (Median ≤ x < Kuartil 3). c. Kategori sikap negatif, yaitu daerah yang dibatasi oleh kuartil 1 dan median. (Kuartil 1 ≤ x < Median). d. Kategori sikap sangat negatif, yaitu daerah yang dibatasi oleh skor minimal dan kuartil 1. (Skor minimal ≤ x < kuartil 1)
Catatan : Menurut Ating Somantri (2006 : 40) skala sikap Likert tidak mengijinkan adanya pernyataan item netral. Jadi pernyataan yang ada dalam skala Likert hanya dua, pernyataan item positif dan pernyataan item negatif.
13 21 December, 2018
Skala Guttman Skala Guttman mengukur suatu dimensi saja dari suatu variabel yang multidimensi. Skala Guttman disebut juga skala scalogram yang sangat baik untuk menyakinkan peneliti tentang kesatuan dimensi dan sikap atau sifat yang diteliti yang sering disebut dengan attribut universal. Pada skala Guttman terdapat beberapa pernyataan yang diurutkan secara hierarki untuk melihat sikap tertentu sesorang. Jika seseorang menyatakan “tidak” terhadap pernyataan sikap tertentu dari sederetan pernyataan itu, ia akan menyatakan lebih dari tidak terhadap pernyataan berikutnya. Jadi, skala Guttman ialah skala yang digunakan untuk jawaban yang bersifat jelas (tegas) dan konsisten. Misalnya : yakin –tidak yakin, ya –tidak, benar –salah, positif –negatif, pernah –tidak pernah, setuju –tidak setuju, dll. Data yang diperoleh dapat berupa data interval atau rasio dikotomi (dua alternatif yang berbeda). Perbedaan dengan skala Likert ialah, pada skala Likert terdapat jarak (interval) : 1, 2, 3, 4, 5 sedangkan pada skala Guttman hanya dua : Ya (B) dan Tidak (S) Penelitian menggunakan skala Guttman apabila ingin mendapatkan jawaban jelas (tegas) dan konsisten terhadap suatu permasalahan yang ditanyakan. Contoh : a. Yakin kah menurut anda dengan cuci tangan dapat mencegah infeksi Hepatitis di rumah sakit?
1). Setuju 2). Tidak setuju c. Pernahkan pimpinan saudara menjelaskan tentang bahwa tertusuk jarum ?
1). Yakin
1). Pernah
2). Tidak
2). Tidak pernah
b. Apakah pendapat anda, bila mendapatkan imunisasi Anti Hepatitis B dapat mencegah infeksi hepatitis B ?
Skala Guttman di samping dapat dibuat bentuk pilihan ganda dan bisa juga dibuat dalam bentuk checklist. Jawaban responden dapat berupa skor tertinggi bernilai (1) dan skor terendah (0). Misalnya untuk jawaban benar (1) dan salah (0). Analisis dilakukan seperti pada skala Likert. 14 21 December, 2018
Contoh : Tabel 1.7 Pertanyaan
Jawaban
Skor
Yakin kah menurut anda dengan cuci tangan dapat 1). Yakin
Yakin = 1
mencegah infeksi Hepatitis di rumah sakit?
2). Tidak
Tidak = 0
Apakah pendapat anda, bila mendapatkan imunisasi 1). Setuju
Setuju = 1
Anti Hepatitis B dapat mencegah infeksi hepatitis B ?
Tidak setuju=0
2). Tidak setuju
Pernahkan pimpinan saudara menjelaskan tentang 1). Pernah
Pernah = 1
bahwa tertusuk jarum ?
Tidak pernah = 0
2). Tidak pernah
Skala Semantik Diferensial Disebut juga skala perbedaan semantik berisikan serangkaian karakteristik bipolar (dua kutub), seperti : panas –dingin, populer -tidak populer, baik –tidak baik, dll. Karakteristik bipolar tersebut mempunyai tiga dimensi dasar sikap seseorang terhadap obyek itu menurut Iskandar (2000 : 154): 1. Potensi, yaitu kekuatan atau atraksi fisik suatu obyek. 2. Evaluasi, yaitu hal-hal yang menguntungkan atau tidak menguntungkan suatu obyek. 3. Aktivitas, yaitu tingkatan gerakan suatu obyek
Contoh : berilah tanda cek (√) pada skala 1 sampai 5 yang paling cocok dengan anda : 1). Pengawaan kepala ruangan terhadap cuci tangan pada perawat: Ketat
5
4
3
2
1
Longgar
Sering dilakukan
5
4
3
2
1
Tidak pernah dilakukan
Kuat
5
4
3
2
1
Lemah
Positif
5
4
3
2
1
Negatif
15 21 December, 2018
Baik
5
4
3
2
1
Buruk
Dukungan pimpinan terhadap program cuci tangan di rumah sakit: Besar
5
4
3
2
1
Kecil
Selalu dilakukan
5
4
3
2
1
Tidak pernah dilakukan
Kuat
5
4
3
2
1
Lemah
Positif
5
4
3
2
1
Negatif
Terus-menerus
5
4
3
2
1
Kadang–kadang
Baik
5
4
3
2
1
Buruk
Aktif
5
4
3
2
1
Pasif
Rating Scale Pada skala Likert, skala Guttman dan Semantik diferensial data yang diperoleh adalah data kualitatif yang dikuantitatifkan. Pada rating scale yaitu data mentah yang dapat berupa angka kemudian ditafsirkan dalam pengertian kualitatif. Rating scale digunakan untuk mengukur sikap, gejala atau fenomena sosial. Skala Thurstone meminta responden untuk memilih pernyataan yang ia setujui dari beberapa pernyataan yang menyajikan pandangan yang berbeda –beda. Setiap item mempunyai asosiasi nilai antara 1 sampai dengan 10, tetapi nilai-nilainya tidak diketahui oleh responden. Pemberian nilai ini berdasarkan jumlah tertentu pernyataan yang dipilih oleh responden mengenai angket tersebut. Perbedaan antara skala Thurstone dan skala Likert ialah pada skala Thurstone interval yang panjangnya sama memiliki intensitas kekuatan yang sama, sedangkan pada skala Likert tidak perlu sama.
16 21 December, 2018
7. Kuesioner Kuesioner merupakan salah satu instrumen penelitian sangat diperlukan dalam pengumpulan data, data yang dikumpulkan dilakukan dengan cara menyusun daftar pertanyaan-pertanyaan. Dengan kuesioner dapat membantu peneliti mengumpulkan informasi dari responden tentang pengetahuan, sikap, pendapat, perlaku, fakta-fakta dan informasi lainya. Kuesioner merupakan bentuk transformsi isi kerangka teori dan kerangka konsep suatu objek yang akan diteliti. Kuesioner yang berisi daftar pertanyaan, harus bisa mengukur pengetahuan, sikap, pendapat, perlaku, fakta-fakta dan informasi lainya yang di maksudkan dalam tujuan penelitian tersebut. Daftar kuesioner akan menjadi bentuk variabel-variabel penelitian yang akan di olah menjadi sebuah informasi atau di cari sebab akibat dari informasi tersebut.
Jenis-jenis pertanyaan dalam kuesioner adalah: 1. Pertanyaan mengenai fakta-fakta. Misalnya berapa kali ibu cuci tangan dalam sehari kerja? ---- x 2. Pertanyaan mengenai pendapat dan sikap. Setujukah ibu, mencuci tangan sebelum memeriksa pasien? --Sangat setuju --Setuju --Tidak setuju – Sangat tidak setuju. 3. Pertanyaan informasi. Sudah mendengar kah ibu, bahwa dengan mencuci tangan dapat mencegah infeksi silang di rumah sakit? --Tahu --Tidak tahu. Bentuk-bentuk daftar pertanyaan Bentuk pertanyaan dalam kueisoner bisa berstruktur atau tidak berstruktur. Bentuk pertanyaan berstruktur dimana jawababnya telah di siapkan untuk di pilih oleh responden. Pertanyaan berdasarkan tingkatan jawaban, contohnya: Sebutkan pendidikan terakhir saudara yang diikuti? __SD __SMP __SMA __D3 __S1 __S2 __S3 Pertanyaan bentuk dikotomi, contohnya: a. Perlukah cuci tangan sebelum memeriksa pasien? __ya __ Tidak b. Pilihan anda mencuci tangan setelah memeriksa pasien:__ Handrub __ air.
17 21 December, 2018
Pertanyaan dalam bentuk interval, contohnya: Gambarkan pentingnya cuci tangan sebelum memeriksa pasien anda dalam angka, tidak Tidak penting pilih angka 1 penting sekali angka 10: _1 _2 _3 _4 _5 _6 _7 _8 _9 _10 Tabel 1.8 Pertanyaan dalam bentuk Skala Likert: Sangat tidak setuju
Prosedur cuci tangan di rumah sakit yang harus di ikuti oleh semua petugas kesehatan:
Tidak setuju
Netral
Setuju
Sangat setuju
Sebelum memeriksa pasien Setelah memeriksa pasien Sebelum menyuntik pasien. Setelah memasang infus Setelah membersihkan tempat tidur pasien
Pertanyaan untuk di beri nilai atau rating (semantic differential): Pendapat anda tentang cuci tangan dengan air beri nilai: Suka Mudah Sederhana Berguna
5 5 5 5
4 4 4 4
3 3 3 3
2 2 2 2
1 1 1 1
Tidak suka Tidak mudah Tidak serhana tidak berguna
Tabel 1.9 Beri nilai kebiasaan anda mencuci tangan di rumah sakit: Sebelum memeriksa pasien
Nilai 1 tidak pernah Nilai 10 selalu
1 2 3 4 5 6 7 8 9 10
Setelah memeriksa pasien
1 2 3 4 5 6 7 8 9 10
Sebelum menyuntik pasien.
1 2 3 4 5 6 7 8 9 10
Setelah memasang infus
1 2 3 4 5 6 7 8 9 10
Setelah membersihkan tempat tidur pasien
1 2 3 4 5 6 7 8 9 10
18 21 December, 2018
Pertanyaan untuk di hitung jumlah jawabnya (cumulative atau Guttman Scale). Pendapat anda tentang cuci tangan dengan handrub, bila setuju mohon di contreng: Suka __ Mudah __ Sederhana __ Mahal __ Berguna __ Pertanyaan kontingensi yang di filtrasi, contohnya Apakah anda mecuci tangan dengan hand rub sebelum melakukan tindakan keperawatan: Ya __ bila ya berapa kali sehari:__ Tidak __
Pertanyaan karakteristik responder Informasi karakteristik perawat sebagai objek penelitian yang di butuhkan adalah Jenis kelamin: __Laki-laki __Perempuan; Umur: ___ tahun Pengalaman kerja: __ tahun: Pendidikan terakhir: __SPK __D3 __S1 __S2 Untuk kepentingan etika penelitian dan kerahasian responder, nama lengkap dan alamat lengkap responder tidak pernah di tanyakan atau dimasukan dalam daftar pertanyaan.
19 21 December, 2018
Tabel 1.10 KUESIONER KEPATUHAN CUCI TANGAN PADA PERAWAT DATA RESPONDEN
0 Laki-laki 0 Perempuan
1
Jenis Kelamin
2
Umur
3
Tingkat Pendidikan
4
Pengalaman kerja
No 1
2
3 4 5
……… tahun.
0 SPK, 0 D3, 0 S1, 0 S2 ……… tahun.
Pernyataan Praktek Cuci Tangan, pilih Selalu jawaban dengan mencontreng X. Apakah anda cuci tangan sebelum merawat pasien. Apakah anda cuci tangan sebelum dan sesudah melakukan prosedur keperawatan Apakah anda cuci tangan setelah merawat pasien. Apakah anda cuci tangan setelah terpapar cairan dari pasien. Apakah anda cuci tangan setelah menyentuh sekitaran pasien
Kadangkadang
Netral Pernah
Tidak pernah
0
0
Tabel 1.11 Tentukan jenis data dan skala pengukurannya? Jenis Data
Skala Ukur
Jenis Kelamin
Katagori
Nominal
Measure SPSS Nominal
Umur
Namerik
Interval
Scale
Tingkat Pendidikan
Katagori
Ordinal
Ordinal
Pengalaman kerja
Namerik
Interval
Scale
NO Variabel 1 2 3 4 No 1
Pernyataan Praktek Cuci Tangan, pilih jawaban Jenis Data Skala Ukur dengan mencontreng X. Apakah anda cuci tangan sebelum merawat Katagori Ordinal pasien.
Measure SPSS
Ordinal
20 21 December, 2018
2 3 4 5
Apakah anda cuci tangan sebelum dan sesudah Katagori melakukan prosedur keperawatan Apakah anda cuci tangan setelah merawat pasien. Katagori Apakah anda cuci tangan setelah terpapar cairan Katagori dari pasien. Apakah anda cuci tangan setelah menyentuh Katagori sekitaran pasien
Ordinal Ordinal Ordinal Ordinal
Ordinal Ordinal Ordinal Ordinal
8. Contoh hasil analisis distribusi frekwensi Formula menentukan nilai prosentase=x/n x 100%. Dimana x adalah hasil pengamatan dan n adalah jumlah sampel. Contoh data laki-laki ada 10, jumlah sampel 20, maka cara hitung prosentasenya adalah sebagai berikut: 10/20 x %=50%. Tabel no 1.12 Distribusi Frekwensi Jenis Kelamin No
Jenis kelamin
Jumlah
Prosentase
1
Laki-laki
10
50%
2
Perempuan
10
50%
Total
20
100%
Tabel no 1.13 Distribusi Frekwensi Data Pendidikan No
Jenis Pendidikan
Jumlah
Prosentase
1
SPK
5
25 %
2
D3
7
35 %
3
S1
5
25 %
4
S2
3
15 %
20
100%
Total
21 21 December, 2018
Tabel no 1.14 Tabulasi silang Data Jenis Kelamin dan Pendidikan SPK
D3
S1
S2
Total
Laki-laki
3
3
2
2
10
Perempuan
2
4
3
1
10
Total
5
7
5
3
20
9. Contoh Hasil Analisis Sentral Tendensi Formula menentukan nilai rata-rata.
Tabel 1.15 Hasil pengamatan Total jawaban per responden
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
Total x
14
20
14
21
17
16
15
22
14
18
171
Total x=171, jumlah n=10, maka nilai ratarata adalah 171/10=17,1 Formula menentukan nilai varian.
22 21 December, 2018
Tabel 1.16 Contoh perhitungan
Sampel x1 x2 x3 x4 x5 x6 x7 x8 x9 x10
Hasil pengamatan A 14 20 14 21 17 16 15 22 14 18 171
(A-B) C -3.1 2.9 -3.1 3.9 -0.1 -1.1 -2.1 4.9 -3.1 0.9
B 17.1 17.1 17.1 17.1 17.1 17.1 17.1 17.1 17.1 17.1
Varian=
82,9
(A-B)x(A-B) D 9,61 8,41 9,61 15,21 0,01 1,21 4,41 24,01 9,61 0,81 82,9
=9,21
10−1
Tabel 1.17 Jawaban dari 10 responden dengan rentang jawab: 1 s/d 5 No 1
2
3 4
5
Pernyataan Praktek Cuci Tangan Apakah anda cuci tangan sebelum merawat pasien. Apakah anda cuci tangan sebelum dan sesudah melakukan prosedur keperawatan. Apakah anda cuci tangan setelah merawat pasien. Apakah anda cuci tangan setelah terpapar cairan dari pasien. Apakah anda cuci tangan setelah menyentuh sekitaran pasien.
Total jawaban per responden
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
Total
Ratarata
Varian
3
4
3
4
3
4
3
4
3
4
35
3,5
0.28
2
3
2
3
2
3
2
4
3
4
28
2,8
0.62
4
5
3
4
5
3
4
5
3
4
40
4
0.67
2
4
3
5
4
2
3
4
3
3
33
3,3
0.90
3
4
3
5
3
4
3
5
2
3
35
3,5
0.94
14
20
14
21
17
16
15
22
14
18
171
17,1
9.21
23 21 December, 2018
Bila nilai rata-rata tersebut diatas dijadikan patokan penentuan kategori kepatuhan, maka bila skor kepatuhan kurang dari 14 termasuk kategori kepatuhan kurang, dan bila skor kepatuhan diatas 15 termasuk kategori kepatuhan baik. Tabel no 1.8 Distribusi Frekwensi Tingkat Kepatuhan Cuci Tangan No
Kepatuhan
Jumlah
Prosentase
1
Kurang (skor <17,1)
6
60 %
2
Baik (skor >17,2)
4
40 %
Total
10
100 %
Tabel no 1.19 Hasil pengumpulan data pada 10 Perawat Data Variabel
P1
Pendidikan Jenis Kelamin umur Pengalaman kerja
SPK L 22 2
P2 D3 P 25 5
P3
P4
S1 L 34 14
S1 P 43 23
P5 D3 L 35 15
P6
P7
SPK P 42 22
SPK P 43 23
P8 D3 L 23 3
P9 S1 L 26 6
P10 Jenis Ukuran S2 P 30 10
? ? ? ?
10. Tugas 1. Tentukan jenis ukuran data dari masing-masing data diatas. 2. Buatlah tabel distribusi frekwensi secara manual bedasarkan tingkat pendidikan, jenis kelamin, kategori umur, dan kategori pengalaman kerja. 3. Berapa nilai rata-rata umur dan pengalaman kerja? 4. Berapa nilai varian umur dan pengalaman kerja? 5. Tentukan dua kategori umur: 1. Mulai umur terendah sampai dengan umur dibawah ratarata. Dan 2. Mulai umur diatas rata-rata sampai dengan umur tertinggi. 6. Tentukan dua kategori pengalaman kerja: 1. Mulai pengalaman kerja terendah sampai dengan pengalaman kerja dibawah rata-rata. 2. Mulai pengalaman kerja diatas rata-rata sampai dengan pengalaman kerja tertinggi.
24 21 December, 2018
Modul 2 Membuat Kode Data dan Variable View Oleh: Sobur Setiaman
1. Tujuan Setelah mempelajari bab ini, anda harus mampu menentukan: 1. Menetukan kode data dari masing masing data yang terkumpul dari hasil lembaran jawaban kuesioner. 2. Merancang variable view di SPSS. 3. Memasukan data-data pada data view di SPSS. 4. Merubah data numerik menjadi kategorikal.
2. Ruang lingkup 1. Pengumpulan data manual 2. Buku kode SPSS 3. Merancang Data SPSS 4. Tahapan merancang Data SPSS pada variabel view 5. Tahapan penjumlahan data 6. Menentukan ilia rata-rata 7. Konversi data numerik (kuantitatif) ke data kategori
3. Pengumpulan Data Manual Tabel no 2.1 merupakan hasil pengumpulan data yang dilakukan kepala perawat tentang kepatuhan cuci tangan pada perawat diruang pelayanan keperawatan.
1
Tabel no 2.1 Hasil Pengumpulan Data
No
Jenis Kelamin
Umur
Pendidikan
Pengalaman kerja
Q1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
L P L P L P P L L P P L P L P P P L P L P P P L L P P L P L
22 25 34 43 35 42 43 23 26 30 25 34 43 35 42 43 25 34 43 35 42 43 43 23 26 30 25 34 43 35
SPK D3 S1 S1 D3 SPK SPK D3 S1 S2 D3 S1 S1 D3 SPK SPK D3 S1 S1 D3 SPK SPK SPK D3 S1 S2 D3 S1 S1 D3
2 5 14 23 15 22 23 3 6 10 5 14 23 15 22 23 5 14 23 15 22 23 23 3 6 10 5 14 23 15
3 4 3 4 3 4 3 4 3 4 4 3 4 3 4 3 4 3 4 3 4 3 3 4 3 4 4 3 4 3
Q2 Q3 Q4 Q5 3 3 3 3 3 3 2 4 3 4 3 3 3 3 3 2 3 3 3 3 3 2 2 4 3 4 3 3 3 3
4 5 3 4 5 3 4 5 3 4 5 3 4 5 3 4 5 3 4 5 3 4 4 5 3 4 5 3 4 5
3 4 3 5 4 2 3 4 3 3 4 3 5 4 2 3 4 3 5 4 2 3 3 4 3 3 4 3 5 4
3 4 3 5 3 4 3 5 3 3 4 3 5 3 4 3 4 3 5 3 4 3 3 5 3 3 4 3 5 3
4. Buku Kode SPSS Data pada tabel no 2.1 perlu dimasukan ke program SPSS, untuk memudahkan melakukan analisis data secara otomatis seperti yang di bahas pada bab 1. 2
Sebelum data dimasukan ke dalam program SPSS, masing-masing variable data harus diberi kode dalam bentuk angka/numeric. Data dalam bentuk abjad atau hurup/string, sulit untuk dilakukan analisis data. Data varibel kategori jenis kelamin di konversi dalam angka, 1=Laki-laki 2=Perempuan. Data variabel pendidikan di konversi dalam angka, 1=SPK, 2=D3, 3=S1, 4=S2. Data variabel masingmasing pertanynaan kepatuhan di konversi dalam angka, 1=Tidak pernah, 2=pernah, 3=Netral, 4=Kadang-kadang, 5=Selalu.
Tabel no 2.2 KODE KUESIONER KEPATUHAN CUCI TANGAN PADA PERAWAT DATA RESPONDEN
No
Name Variable
Code Value
Type
Measure
1
Jenis Kelamin
1=Laki-laki 2=Perempuan
Numeric
Nominal
2
Umur
……… tahun.
Numeric
Ratio
3
Pendidikan keperawatan
1=SPK, 2=D3, 3=S1, 4=S2
Numeric
Ordinal
4
Pengalaman kerja
Numeric
Ratio
Numeric
Ordinal
Numeric
Ordinal
Numeric
Ordinal
Numeric
Ordinal
Q1
Apakah anda cuci tangan sebelum merawat pasien.
Q2
Apakah anda cuci tangan sebelum dan sesudah melakukan prosedur keperawatan.
Q3
Apakah anda cuci tangan setelah merawat pasien.
Q4
Apakah anda cuci tangan setelah terpapar cairan dari pasien.
……… tahun. 1=Tidak pernah, 2=pernah, 3=Netral, 4=Kadang-kadang, 5=Selalu 1=Tidak pernah, 2=pernah, 3=Netral, 4=Kadang-kadang, 5=Selalu 1=Tidak pernah, 2=pernah, 3=Netral, 4=Kadang-kadang, 5=Selalu 1=Tidak pernah, 2=pernah, 3=Netral,
3
4=Kadang-kadang, 5=Selalu
Q5
Apakah anda cuci tangan setelah menyentuh sekitaran pasien.
1=Tidak pernah, 2=pernah, 3=Netral, 4=Kadang-kadang, 5=Selalu
Numeric
Ordinal
5. Merancang Data SPSS Sebelum merancang data SPSS, terlebih dahulu computer atau laptop anda sudah terpasang program SPSS. Setelah program SPSS terbuka, maka penampilannya harus seperti di bawah ini. Gambar no 2.1
4
Gambar no 2.2
6. Tahapan merancang data di SPSS pada Variabel View Tujuanya adalah menyediakan format data view yang akan di isi data hasil pengumpulan. 1. Setelah layar SPSS terbuka, lihat data view harus masih kosong. 2. Setelah itu tekan tombol Variable view. 3. Pada kolom name. Ketik nama variabel (variable name) sesuai dengan Buku Kode SPSS pada table no 2.2. a. Kelamin=Jenis kelamin, b. Umur, c. Pendidikan=Tingkat Pendidikan, d. Pengalaman=Pengalaman kerja, e. Q1= Cuci tangan sebelum merawat pasien, f. Q2= cuci tangan sebelum dan sesudah melakukan prosedur keperawatan, 5
g. Q3= cuci tangan setelah merawat pasien, h. Q4= cuci tangan setelah terpapar cairan dari pasien, i. Q5= cuci tangan setelah menyentuh sekitaran pasien, 4. Pada kolom type, pilih numeric. Karena data yg akan dimasukan data namerik/angka. 5. Pada kolom width, masukan angka 1 bila lebar angka yang akan dimasukan satu digit. 6. Pada kolom decimal, masukan angka 0 artinya tanpa decimal. 7. Pada Kolom label: a. Ketik nama label sebagai berikut: pada variable Kelamin = Jenis kelamin, variable Umur=Umur, variable Pendidikan=Tingkat Pendidikan, variable Pengalaman=Pengalaman kerja. b. Ketik nama label sebagai berikit pada variable Q1=Cuci tangan sebelum merawat pasien, variable Q2=cuci tangan sebelum dan sesudah melakukan prosedur keperawatan, variable Q3=cuci tangan setelah merawat pasien, variable Q4= cuci tangan setelah terpapar cairan dari pasien, variable Q5= cuci tangan setelah menyentuh sekitaran pasien. c. Kolom label. Lengkapi nama label data dan measure sesuai dengan Buku Kode SPSS pada table no 2.2. 8. Pada kolom Value: a. Pada variable jenis kelamin, tekan Value, dan di isi datanya sebagai berikut: 1=Lakilaki, 2=Perempuan. b. Pada variable Pendidikan, tekan Value, dan di isi datanya sebagai berikut: 1=SPK, 2=D3, 3=S1, 4=S2.
c. Pada variable Q1, Q2, Q3, Q4, Q5, Q6, Q7, Q8, Q9, Q10, tekan value dan isi datanya sebagai berikut: 1=Tidak pernah, 2=pernah, 3=Netral, 4=Kadang-kadang, 5=Selalu.
9. Pada kolom Missing dan Column, tidak usah di isi/tinggalkan. 10. Pada kolom measure: untuk umur dan pengalaman kerja pilih .
6
Gambar 2.3
Gambar 2.4
7
Gambar 2.5
Gambar 2.6
8
Setelah varibel view di design, buka data view, dan siap di isi datanya. Gambar 2.7
Hasil data yang sudah masuk dapat di lihat di data view, tampilan data sebagai berikut;
Gambar 2.8
9
Tampilan data dengan nilainya tekan view, tekan value label. Gambar 2.9
10
7. Tahapan Penjumlahan Data Tujuannya adalah melakukan penjumlahan angka yang di dapat dari variabel Q1 sampai dengan variabel Q5. 1. Tekan menu transform, lalu pilih compute variable. 2. Masukan di box expression: Q1+Q2+Q3+Q4+Q5. 3. Beri nama target variable: Patuh. Lalu OK. Lihat cara menjumlah data. Gambar 2.10
11
Lihat hasil penjumlahan variable Q1 s/d Q5 di variable Patuh pada data view. Gambar 2.11
12
8. Menentukan nilai rata-rata Tujuannya adalah untuk mengetahui nilai rata-rata, data minimal, data maksimal dan standar deviasi dari variabel patuh. 1. Tekan menu analyze, Pilih descriptive statistics, Pilih Descriptive, 2. Pilih variable patuh, lalu ok. 3. Hasil, lihat di data output. Gambar 2.12
13
Gambar 2.13
Tabel 2.2 Descriptive Statistics N
Minimum
Maximum
Mean
Std. Deviation
Patuh
30
15.00
22.00
17.6667
2.53708
Valid N (listwise)
30
9. Konversi data Numerik ke Data kategori Tujuannya adalah untuk merubah bentuk data numerik ke bentuk data kategorik pada variable Patuh berdasarkan nilai rata-rata yang di dapat. 1. Buat dua kategori: 1. Nilai data antara 15 s/d 17; 2. Data antara 18 s/d 22. 2. Tekan transform, pilih recode into different variable. 3. Masukan variable patuh, di kotak numeric variable. 4. Tekan old and new values: Value 1. Data antara 15 s/d 17 (range LOWEST through value=17); 14
Value 2. Data antara 18 s/d 22 (range, value through HIGHEST=18). 5. Tulis nama di output variable: name=K_patuh, Label=Kepatuhan. Tekan change dan Ok. 6. Edit variable view K-Patuh, beri value label. 1=Kurang, 2=Baik lalu OK. 7. Data variable K_Patuh siap di analisis dengan deskriptif frekwensi. Gambar 2.13
Gambar 2.14
15
Gambar 2.15
Gambar 2.16
16
Gambar 2.17
17
Hasil analisis deskriptif frekwensi variable K_patuh:
Tingkat Kepatuhan Cuci Tangan Kurang Baik Total
Frequency
Percent
Valid Percent
Cumulative Percent
14 16 30
46.7 53.3 100
46.7 53.3 100
46.7 100
18
Modul 3 Uji Kuesioner (Studi kasus Sikap Cuci Tangan pada Perawat) Oleh: Sobur Setiaman 1. Tujuan
Setelah mempelajari bab ini, secara umum anda: 1. Harus mampu memahami konsep dan melakukan uji kuesioner baik dengan uji reliabilitas maupun uji validitas. 2. Harus mampu menjelaskan nilai minimal correlation inter-items, nilai minimal correlation total item pada hasil pengujian validitas. 3. Harus mampu menjelaskan nilai minimal correlation reliability pada pengujian reliabilitas. 4. Secara khusus anda harus mampu melakukan uji validitas dengan dua model pengujian, dan mampu cara membaca hasilnya, yaitu: a. Uji validitas kuesioner dengan Pearson Product moment. b. Uji validitas kuesioner dengan Factor analysis. 5. Selain itu anda harus mampu melakukan uji reliabilitas dengan tiga model pengujian dan mampu membaca hasilnya, yaitu: a. Uji reliabilitas kuesioner dengan Alpha reliabilitas index. b. Uji reliabilitas kuesioner dengan Split-half reliabilitas index. c. Uji reliabilitas kuesioner dengan Lambda reliabilitas Index.
2. Ruang lingkup
1. Pendahuluan 2. Uji Validitas
3. Uji Reliabilitas a. Uji reliabilitas dengan Alpha index
a. Uji validitas dengan product moment
b. Uji reliabilitas dengan Split half
b. Uji validitas dengan factor analysis
c. Uji reliabilitas dengan Lambda
1 Updated: 21 December, 2018
3. Pendahuluan
Kuesioner merupakan salah satu instrumen penelitian sangat diperlukan dalam pengumpulan data, data yang dikumpulkan dilakukan dengan cara menyusun daftar pertanyaan-pertanyaan. Dengan kuesioner dapat membantu peneliti mengumpulkan informasi dari responden tentang pengetahuan, sikap, pendapat, perlaku, fakta-fakta dan informasi lainya. Kuesioner merupakan salah satu instrument penelitian, maka sebelum di gunakan harus dipastikan bahwa instrument ini valid dan reliabilitas nya.
Validitas diperlukan untuk melihat ada tidaknya pertanyaan yang tidak sesuai dengan tujuan penelitian (error measurement).
Reliabilitas berasal dari kata reliability. Reliabilitas adalah keajegan pengukuran (Walizer, 1987). Reliabilitas megindikasikan akurasi/accuracy dan ketepatan/precisions alat ukur (Norland, 1990).
4. Uji Validitas Kuesioner merupakan salah satu instrument penelitian atau alat ukur penelitian, maka sebelum di gunakan harus dipastikan bahwa instrument ini valid. Hasil pengukuran akan menghasilkan nilai ukur (True score) dan nilai error. Baik tidaknya nilai ukur yang dihasilkan oleh kuesiner tersebut, maka harus dilakukan uji Validitas, dari hasil uji validitas kita dapat melihat butir pertanyaan tersebut apakah bisa dijadikan alat ukur (instrument) suatu objek atau kejadian, atau melihat kesesuaian butir pertanyaan dengan tujuan penelitian (error measurement). “Validity can be defined as the extent to which any measuring instrument measures what it is intended to measure”. Validitas berasal dari kata validity yang mempunyai arti sejauh mana ketepatan dan kecermatan suatu alat ukur dalam melakukan fungsi ukurannya (Azwar 1986). Selain itu validitas adalah suatu 2 Updated: 21 December, 2018
ukuran yang menunjukkan bahwa variabel yang diukur memang benar-benar variabel yang hendak diteliti oleh peneliti (Cooper dan Schindler, dalam Zulganef, 2006). Menurut Sugiharto dan Sitinjak (2006), validitas berhubungan dengan suatu peubah mengukur apa yang seharusnya diukur. Uji validitas adalah uji yang digunakan untuk menunjukkan sejauh mana alat ukur yang digunakan dalam suatu mengukur apa yang diukur. Menurut Ghozali (2009) menyatakan bahwa uji validitas digunakan untuk mengukur sah, atau valid tidaknya suatu kuesioner. Suatu kuesioner dikatakan valid jika pertanyaan pada kuesioner mampu untuk mengungkapkan sesuatu yang akan diukur oleh kuesioner tersebut. Sisi lain dari pengertian validitas adalah aspek kecermatan pengukuran. Suatu alat ukur yang valid dapat menjalankan fungsi ukurnya dengan tepat, juga memiliki kecermatan tinggi. Arti kecermatan disini adalah dapat mendeteksi perbedaan-perbedaan kecil yang ada pada atribut yang diukurnya. Validitas kuesioner dapat juga dilakukan dengan cara mendapatkan pendapat dari para ahli atau dilakukan pengukuran secara statistik. Seperti apa bentuk validitas kuesioner?
bisa dilihat dari isi/content, construct/kontruksi,
criterion/kriteria dan face/bentuk kuesioner apakah sesuai dengan tujuan daripada penelitian tersebut. 1. (Content): Isi kuesioner dapat menjawab tujuan penelitian. 2. (Construct): bangunan kuesioner menggambarkan suatu kenyataan yang sedang di teliti. Kadang kala bangunan kuesioner memerlukan pendapat para ahli. 3. (Criterion): kriteria kuesioner sesuai dengan kerangka teori. 4. (Face): bentuk kuesioner bisa mengukur objek yang di teliti.
Dalam pengujian validitas kuesioner scara statistik, dibedakan menjadi 2, yaitu validitas faktor dan validitas item: 1.
Validitas faktor diukur bila item-item pertanyaan yang disusun menggunakan lebih dari satu faktor ada kesamaan atau tidak. Pengukuran validitas faktor ini dengan cara mengkorelasikan antara item dengan skor faktor (penjumlahan item-item pertanyaan ke dalam satu total faktor). Butir sebagai X1 sampai deng Xn sebagai item-item dan total faktor sebagai Y. Alat
3 Updated: 21 December, 2018
uji-nya adalah Pearson Product moment. Valid jika berkorelasi terhadap skor total diatas 0,5 (50%). 2.
Validitas item pertanyaan ditunjukkan dengan adanya korelasi atau dukungan antara satu item/butir pertanyaan terhadap item/butir total (skor total item/butir), perhitungan dilakukan dengan cara mengkorelasikan antar item. Alat uji-nya adalah Factor Analysis (CFA). Minimal nilai korelasi 0,3 (30%) antar item yang di uji.
Prosedur uji validitas kuesiner dengan Pearson product moment Tujuan: ingin menguji 5 butir pertanyaan tentang sikap perawat terhadap praktek cuci tangan. Langkah-langkahnya: 1. Susun 5 pertanyaan yang berkaitan dengan sikap perawat terhadap cuci tangan. 2. Lakukan uji coba kuesiner dengan di sebarkan kepada responden minimal 30 orang. 3. Masukan data-data 5 pertanyaan tersebut ke dalam SPSS dengan masing masing punya kode pertanyaan misal nya mejadi variabel S1, S2, S3, s4, S5. 4. Buat skor total masing-masing variabel dengan nama variabel STotal (Total skor= S1+S2+S3+s4+S5). 1. Klik Analyze -> Correlate -> Bivariate 2. Masukan seluruh item variabel (variabel S1 sampai s10 dan S_total )ke dalam kotak Variables 3. Check list Pearson ; Two Tailed ; Flag 4. Klik Ok
4 Updated: 21 December, 2018
Dari tabel diatas dapat dijelaskan bahwa masing-masing item pertanyaan memiliki nilai r hitung diatas 0.5 (>50%) artinya bahwa item-item tersebut diatas valid. Rumus Korelasi Product Moment :
Prosedur uji validitas kuesioner dengan Factor analisis 1. Pilih menu: Analyze, pilih Dimension Reduction, pilih Factor. 2. Masukan semua item kuesioner ke dalam kotax dialog: Factor analysis. 3. Tekan Descriptives: pilih Coefficients di kotak Correlation Matrix.
Hasilnya: (minimal nilai korelasi 0,3 antar item yang di uji)
5 Updated: 21 December, 2018
5. Uji Reliabilitas Kuesioner merupakan salah satu instrument penelitian, maka sebelum di gunakan harus dipastikan bahwa instrument ini reliabel. Reliabilitas berasal dari kata reliability. Reliability (reliabilitas) adalah keajegan pengukuran (Walizer, 1987). Reliabilitas megindikasikan akurasi/accuracy dan ketepatan/precisions alat ukur (Norland, 1990). Sugiharto dan Sitinjak (2006) menyatakan bahwa reliabilitas menunjuk pada suatu pengertian bahwa instrumen yang digunakan dalam penelitian untuk memperoleh informasi yang digunakan dapat dipercaya sebagai alat pengumpulan data dan mampu mengungkap informasi yang sebenarnya dilapangan. Ghozali (2009) menyatakan bahwa reliabilitas adalah alat untuk mengukur suatu kuesioner yang merupakan indikator dari peubah atau konstruksi. Suatu kuesioner dikatakan reliabel atau handal jika jawaban seseorang terhadap pernyataan adalah konsisten atau stabil dari waktu ke waktu. Reliabilitas suatu test merujuk pada: 1. Derajat stabilitas (stability) di uji dengan cara Test-retest Reliability (or Stability) 2. Konsistensi (consistency) di uji dengan cara Internal Consistency Reliability) yaitu dengan cara: a. Coefficient Cronbach alpha index. b. Split-half reliability index. c. Lambda reliability index. 3. Daya prediksi (predict) 4. Akurasi (accuracy)
Test retest Reliability
Split half reliability index
6 Updated: 21 December, 2018
Coefficient alpha index
Average Inter-item Correlation
Tinggi rendahnya reliabilitas, secara empirik ditunjukan oleh suatu angka yang disebut nilai reliability co-efficiency. (Reliability co-efficiency) atau koefiseisn reliabilitas yang tinggi ditunjukan dengan nilai “r” mendekati angka 1. Kesepakatan secara umum reliabilitas yang dianggap sudah cukup memuaskan jika ≥ 0.70 (70%). Pengujian reliabilitas instrumen dengan menggunakan rumus Alpha Cronbach pada instrumen penelitian yang berbentuk angket dan skala bertingkat akan menggambarkan reliabilitas konsistensi internal (internal-consistency coefficient reliability). Jumlah sampel yang akan diuji Alpha Cronbach memerlukan antara 20 sampai dengan 30 sampel sebab jumlah sampel kurang dari 10 sampel, nilai Alpha Cronbach akan rendah.
Makna nilai Alpha Cronbach sebagai berikut:
Jika nilai alpha > 0.90 maka reliabilitas sempurna.
Jika nilai alpha 0.70 – 0.90 maka reliabilitas tinggi.
Jika nilai alpha 0.50 – 0.70 maka reliabilitas moderat.
Jika nilai alpha < 0.50 maka reliabilitas rendah.
Jika nilai alpha rendah, kemungkinan satu atau beberapa item tidak reliabel.
7 Updated: 21 December, 2018
Prosedur Uji reliabilitas kuesioner dengan SPSS- Alpha Klik Analyze -> Scale -> Reliability Analysis 1. Masukan seluruh item variabel X ke Items 2. Pastikan pada model terpilih : Alpha 3. Klik Ok
Nilai Cronbach Alpha sebesar 0.873 yang menunjukan bahwa ke-5 pernyataan nilai reliabilitas nya tinggi.
Prosedur Uji reliabilitas kuesioner dengan SPSS- Split half Klik Analyze -> Scale -> Reliability Analysis 1. Masukan seluruh item variabel X ke Items 2. Pastikan pada model terpilih : Split-half 3. Klik Ok
Hasil R items S1, S2 dan S3 = 0,731. Hasil R item S4, S4, S5 = 0,888
8 Updated: 21 December, 2018
Prosedur Uji reliabilitas kuesioner dengan SPSS- Lambda Klik Analyze -> Scale -> Reliability Analysis 1. Masukan seluruh item variabel X ke Items 2. Pastikan pada model terpilih : Guttman 3. Klik Ok
9 Updated: 21 December, 2018
Modul 4 Statistik Analisis Deskriptif Oleh Sobur Setiaman
1. Tujuan Setelah mempelajari bab ini, anda bisa menjelaskan dan melakukan statistik deskriptif secara mendasar yaitu: 1. Membuat distribusi frekwensi data kategorikal. 2. Mengukur sebaran dan simpang data (central tendency and dispersion). 3. Mengkonversi data interval menjadi data kategorik 4. Membuat grafik data yang menggambarkan hasil analisis secara visual grafis, serta bagaimana cara mendupikat ke Microsft Word.
2. Ruang lingkup 1. Pendahuluan 2. Analisis distribusi frekwensi 3. Menentukan distribusi bertingkat 4. Tendensi sentral data dan simpang baku 5. Membuat grafik
3. Pendahuluan Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Contoh statistika deskriptif yang sering muncul adalah, tabel, diagram, grafik, dan besaran-besaran lain di majalah dan koran-koran. Penggunaan teknik-teknik analisis tertentu untuk melakukan estimasi terhadap besaran-besaran populasi(parameter), berdasarkan besaran-besaran yang dihitung pada data sampel. Dengan Statistika deskriptif, kumpulan data diolah menjadi sebuah informasi yang bermakna. Informasi 1
Updated: 08 December, 2018
yang dapat diperoleh dari statistika deskriptif ini antara lain distribusi frekwensi, ukuran nilai ratarata, sebaran data, serta kecenderungan suatu gugus data. Sebelum melakukan deskripsi statistik, harus kita ketahui dulu jenis data yang akan di-olah: 1. Data kategorik dalam bentuk skala ordinal atau nominal. Skala ordinal dimana data memiliki tingkatan atau derajat sedangkan contohnya data pendidikan, dan skala nominal adalah bentuk data yang memiliki makna tanpa tingkatan atau derajat contohnya jenis kelamin, warna, atau rasa. Jenis data kategorik di olah dalam bentuk analisa distribusi frekwensi. 2. Data numerik dalam bentuk skala interval atau skala kontinus, bila dikalkulasi dapat menyajikan informasi nilai tengan, sebaran dan simpangan data.
4. Analisa Distribusi Frekwensi Jenis distribusi frekwensi: 1. Distribusi frekwensi tunggal: tidak menggunakan penggolongan 2. Distribusi frekwensi bergolong: ada intervalisasi/penggolongan 3. Distribusi frekwensi meningkat (cumulative frequency) Ada 2 jenis cumulative frequency yaitu: 1. Distribusi frekwensi meningkat dari bawah (Cfb) yakni jika menjumlahkan frekuensi diawali dari nilai paling rendah. 2. Distribusi frekwensi meningkat dari atas (Cfa) jika menjumlahkan frekuensi dimulai dari nilai tertinggi. Istilah penting dalam penyusunan distribusi frekwensi bertingkat (Interval frequency): 1. Interval kelas: tiap kelompok nilai variabel 2. Batas kelas : nilai yang membatasi kelas yang satu dengan yang lainnya 3. Lebar kelas (i): jumlah nilai dalam tiap interval kelas 4. Titik tengah (mid point): nilai yang berada tepat di tengah interval kelas 2
Updated: 08 December, 2018
5. Jumlah interval (k): banyaknya interval kelas yang digunakan dalam penyusunan distribusi 6. Jarak pengukuran (range of measurement) : nilai tertinggi dikurangi dengan nilai tertendah. Beberapa pertimbangan menentukan jumlah interval : 1. Tergantung jumlah frekuensi ( N) 2. Tergantung pada lebar interval/kelas (class) 3. Tergantung jarak pengukuran (Range) 4. Tergantung tujuan penyusunan distribusi Menetapkan jumlah interval berdasarkan rumus H.A Sturgess: K = 1 + 3,322 log N 5. Menentukan distribusi bertingkat 1. Lakukan analisa normalitas: a. bila data berdstribusi normal maka cut of point menggunakan nilai tengan / mean. b. Bila data tidak berdistreibusi normal maka cut of point menggunakan nilai median. 2. Lakukan analisas deskriptif untuk mencari nilai tengan dan median. 3. Lakukan prosedur compute,and recode into different variable. Kita buka data Kepatuhan cuci tangan di program SPSS yang sudah di buat di Bab2. Data distribusi frekwensi hanya bisa dilakukan terhadap data jenis nominal dan ordinal. Dari data tersebut, kita ingin mengetahui berapa distribusi frekwensi data-data dibawah: 1. Distribusi frekwensi jenis kelamin. 2. Distribusi frekwensi tingkat pendidikan. Cara menganalisis Distribusi frekwensi tunggal dan meningkat dengan SPSS: 1. Pada variabel data berskala nominal atau ordinal. 2. Tekan analyze. Gambar 3.1 3. Pilih descriptive statistics. 4. Pilih Frequencies. 5. Pilih variable jenis kelamin dan tingkat pendidikan, lalu masukan ke dalam kotak variable (s), dan tekan ok. Gambar 3.2 6. Lihat hasilnya di out put, Gambar 3.3 3
Updated: 08 December, 2018
Gambar 3.1
Gambar 3.2
4
Updated: 08 December, 2018
Gambar 3.3
Setelah di duplikasi ke MS Word maka hasil modifikasi akan tampak seperti di bawah ini: Jenis Kelamin Uraian
Frequency
Percent
Valid Percent
Cumulative Percent
Laki-laki
13
43.3
43.3
43.3
Perempuan
17
56.7
56.7
100.0
Total
30
100.0
100.0
Tingkat Pendidikan Uraian
Frequency
Percent
Valid Percent
Cumulative Percent
SPK
8
26.7
26.7
26.7
D3
10
33.3
33.3
60.0
S1
10
33.3
33.3
93.3
S2
2
6.7
6.7
100.0
Total
30
100.0
100.0
5
Updated: 08 December, 2018
Cara membuat distribusi frekwensi bertingkat/interval dengan SPSS 1. Dilakukan pada variable ber skala interval atau kontinyu. Contoh umur dan pengalaman kerja. 2. Lakukan analisa normalitas data: a. bila data berdistribusi normal maka cut of point menggun akan nilai mean. b. bila data tidak berdistribusi normal maka cut of point menggunakan median. 3. Lakukan analisis deskriptif pada variable umur dan variabel pengalaman kerja, untuk mencari nilai rata-rata, dan nilai median. 4. Lakukan tranformasi data dengan menggunakan nilai rata-rata dalam bentuk dua kategori umum: a. Pilih menu Transform b. Pilih Recode into different variable. c. Masukan variable umur kedalam kotak numeric variable. d. Tekan old and new values. e. Masukan angka 34 di range LOWEST through value, lalu di beri value 1, dan Add sampai masuk ke dalam kotak. f. Masukan angka 34 di range value through HIGHEST, lalu diberi value 2, dan Add sampai masuk ke dalam kotak. Lalu tekan continue. g. Beri nama di out variable: K_Umur. Dan label: Kategori Umur, lalu tekan OK. h. lihat hasilnya akan muncul variabel baru yaitu k_umur. i. Buka variable view, dan edit value variable k_patuh, tekan value label: i. value 0 untuk umur 19-27 thn, ii. value 1 untuk umur 27-44 thn, iii. Tekan OK. j. Lakukan analysis distribusi frekwensi pada variabel kategori umur, hasilnya lihat di out put
6
Updated: 08 December, 2018
Gambar 3.4 Uji normalitas data
Tests of Normality Kolmogorov-Smirnova
Shapiro-Wilk
Statistic
df
Sig.
Statistic
df
Sig.
Umur Responden
.137
100
.000
.939
100
.000
Lama Kerja
.197
100
.000
.815
100
.000
kedua variabel tidak berdistribusi normal (Sig < 0,05)
7
Updated: 08 December, 2018
Descriptives Statistic Umur Responden
Mean 95% Confidence Interval for Mean
28.70 Lower Bound
27.48
Upper Bound
29.92
5% Trimmed Mean
28.31
Median
28.00
Variance
.613
37.586
Std. Deviation
6.131
Minimum
19
Maximum
48
Range
29
Interquartile Range
Lama Kerja
Std. Error
8
Skewness
.880
.241
Kurtosis
.736
.478
Mean
5.30
.505
95% Confidence Interval for
Lower Bound
4.30
Mean
Upper Bound
6.30
5% Trimmed Mean
4.72
Median
4.00
Variance Std. Deviation
25.505 5.050
Minimum
1
Maximum
22
Range
21
Interquartile Range
7
Skewness
1.424
.241
Kurtosis
1.714
.478
8
Updated: 08 December, 2018
Gambar 3.5
Gambar 3.6
Gambar 3.7
Gambar 3.8
Cut of point Median umur: 28
Cut of poimnt median Kerja: 4
9
Updated: 08 December, 2018
Gambar 3.9
10
Updated: 08 December, 2018
Kategori Umur
Valid
Frequency
Percent
Valid Percent
Cumulative Percent
19 - <28 thn
52
52.0
52.0
52.0
>28 - 44 thn
48
48.0
48.0
100.0
Total
100
100.0
100.0
Kategori Pengalaman Kerja
Valid
Frequency
Percent
Valid Percent
Cumulative Percent
<4 thn
52
52.0
52.0
52.0
>4 thn
48
48.0
48.0
100.0
Total
100
100.0
100.0
6. Tendensi sentral dan simpang baku Dalam aktivitas pengamatan, penelitian atau observasi tidak jarang dijumpai data yang berhasil dihimpun tidak sama atau berbeda antara satu dengan yang lainnya. Dengan kata lain distribusi data yang tersusun ada kemungkinan akan memperlihatkan karakteristik data yang relatif homogen atau heterogen, maka Salah satu tugas statistik adalah menentukan suatu angka di sekitar mana nilai-nilai dalam distribusi memusat. Angka/ nilai yang menjadi pusat suatu distribusi selanjutnya disebut tendensi sentral. Ada 3 jenis pengukuran tendensi sentral yang sangat penting yaitu; Mean, Median dan Mode/ modus: Mean diterapkan dengan tujuan untuk menentukan angka/ nilai rata-rata dan secara aritmatik ditentukan dengan cara menjumlah seluruh nilai dibagi banyaknya individu. Pengukuran rata-rata dapat diterapkan dengan asumsi bahwa data yang diperoleh dari hasil pengukuran berskala interval dan rasio. ∑𝑋 Rumus Mean: = 𝑛 11
Updated: 08 December, 2018
N
X
1
4
Nilai ratarata
Median
Mode
3-4-4-5
3-4-4-5
16
2
3
3
5
4
4
∑x
16
= 4 =4
Median=(4+1):2=5:2=2,5 Maka urutan ke 2,5=4,5
4
Median adalah nilai yang membagi distribusi menjadi 2 bagian yang sama yakni 50 persen, 50 persen. Harga median bisa ditentukan dengan beberapa formulasi tergantung pada kasus yang dihadapi. Rumus Median=(n+1):2 Contoh diatas: Median=(4+1):2=5:2=2,5 maka urutan ke 2,5 adalah median yaitu 4,5 Modus didefinisikan sebagai nilai yang paling sering muncul atau nilai yang memiliki frekuensi paling banyak. Satu hal yang perlu diingat bahwa modus adalah persoalan nilai bukannya frekuensi. Frekuensi hanya menunjuk intensitas kemunculan sesuatu nilai. Pada data tunggal menentukan mode/modus hanya dengan memperhatikan nilai yang memiliki frekuensi terbanyak maka dapat diidentifikasi nilai modus/mode dari distribusi data. Deviasi standar Dalam statistika dan probabilitas, simpangan baku atau deviasi standar adalah ukuran sebaran statistik yang paling lazim. Singkatnya, ia mengukur bagaimana nilai-nilai data tersebar. Bisa juga didefinisikan sebagai, rata-rata jarak penyimpangan titik-titik data diukur dari nilai rata-rata data tersebut. Simpangan baku didefinisikan sebagai akar kuadrat varians. Simpangan baku merupakan bilangan tak-negatif, dan memiliki satuan yang sama dengan data. Misalnya jika suatu data diukur dalam satuan meter, maka simpangan baku juga diukur dalam meter pula. Istilah simpangan baku pertama kali diperkenakan oleh Karl Pearson pada tahun 1894, dalam bukunya On the dissection of asymmetrical frequency curves.
12
Updated: 08 December, 2018
Ada dua jenis simpang baku yaitu: standard deviasi dan varian. Yang termasuk Tendensi sentral dan simpang baku adalah: Rata-rata, range, persentil, simpang baku dan varian data. Dengan program SPSS, dapat dengan mudah menghasilkan nilai central tendensi. Jenis data yang bisa dilakukan pengukuran central tendensi adalah jenis data berskala interval dan kontinyu.
Menghitung simpang baku dan varian N
x
x-X
x-X
x-Xx
Variance
1
4
4-4=0
0
0
Variance= 2/(4-1)=2/3=0,66
2
3
3-4= -1
-1
1
SD=√𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆
3
5
5-4=1
1
1
SD=√𝟎, 𝟔𝟔
4
4
4-4=0
0
0
SD=0,81
∑x
16
2
16
Mean = =4 4
N
Age
1 2 3 4 5
17 18 18 21 26 100
∑x Means
Mean ages 20 20 20 20 20
100/5=20
Deviated from mean
Deviated from mean squared
17-20=-3 18-20=-2 18-20=-2 21-20=1 26-20=6
9 4 4 1 36
Varian and SD
V=54/5-1=54/4=13,5 SD=√𝟏𝟑, 𝟓 SD=3,7
54
Standard Deviation atau deviasi standar adalah akar dari nilai varian. SD digunakan untuk mengukur dispersi atau sebaran data. Pengukuran sebaran data dilihat dari rasio Skewness di bagi standard error dan rasio kurtosis dibagi standard error pada umur adalah sebagai berikut: Simetrikal sebaran data berdasarkan Z-Skewness = -0,172:0,427=0,402 (simetris) Keruncingan sebaran data berdasarkan Z-Kurtosis = -1,501:0,833=1,801(tidak runcing) 13
Updated: 08 December, 2018
Contoh yang termasuk data interval atau komtinyu pada data yang sudah disimpan di SPSS adalah: 1. Variable umur. 2. Variabel pengalaman kerja. 3. Variabel total nilai kepatuhan (hasil penjumlahan variabel Q1 sampai dengan variabiel Q5). Cara menjumlah variable Q1 sampai dengan Q5 sudah di ajarkan di bab 2. 7. Prosedur analisis central Tendensi dengan SPSS 1. Jenis data interval atau kontinyu. 2. Tekan analyze. 3. Pilih descriptive statistics. 4. Pilih descriptive. 5. Pilih variable yang akan di deskripsikan yaitu variable umur, pengalaman kerja dan total nilai kepatuhan, lalu masukan ke dalam kotak variable (s), dan tekan ok. 6. Lihat hasilnya di out put. Gambar no 3.12
Gambar 3.13
14
Updated: 08 December, 2018
Gambar 3.14
Descriptive Statistics N
Range Minimum Maximum
Statistic Statistic
Mean
SD
Variance
Skewness
Kurtosis
Statistic
Statistic
Statistic
SE
Statistic
Statistic
Statistic
SE
Statistic
SE
Umur
30
21
22
43
34.20
1.403
7.685
59.062
-.172
.427
-1.501
.833
Pengalaman Kerja
30
21
2
23
14.20
1.403
7.685
59.062
-.172
.427
-1.501
.833
Patuh
30
7
15
22
17.67
.463
2.537
6.437
.348
.427
-1.439
.833
Membaca hasil analisis deskripsi
N adalah jumlah sampel yaitu ada 30.
Range adalah jarak antara data terendah dengan tertinggi yaitu =43-22=21
Nilai rata-rata, mean=34,20
Simpang baku, SD=7,685
Varian=59,062
InterQuartile (IQ): 1. Ketika ditemukan suatu sebaran data yang ekstrim pada posisi outlier, maka olahan data menggunakan nilai median. 2. Untuk mengetahui variabilitas sebaran datanya digunakan hitungan interQuartile. Dimana InterQuartile akan menggambarkan sebaran data. 15
Updated: 08 December, 2018
3. Dengan adanya nila IQ akan mudah membuat boxplot, maka pada box Whisker plot akan terliat ada tidak nya sebaran data outlier. Sebelum mengetahui interquartile terlebih dahulu kita lihat Quartile yang terdiri dari Q1, Q2 dan Q3.
𝑛+1 Formulasi Q1= 4
𝑛+1 Formulasi Q2= 2
3(𝑛+1)
Formulasi Q3=
4
Maka formulasi Interquartile Range = Q3-Q1
Jumlah n=10 Q1 = 10+1/4=11/4=2,75=3 lihat urutan ketiga yaitu 64 Median = Q2 = 10+1/2=11/2 = 5,5 lihat urutan 5,5 yaitu antara 70 dan 72, maka 72+70/2 = 71 sebagai median. Q3 = 3(10+1)/4 = 3(11)/4 = 33/4 = 8,25 = 8 lihat urutan ke 8 yaitu angka 77 Maka nilai interQuartile range =Q3-Q1= 77-64=13 Minimum:
62
Q1:
64
Median:
71
Q3:
77
Maximum:
81
16
Updated: 08 December, 2018
Sedangkan box plot metoda Tukey Fences adalah sebagai berikut:
Outliers terendah Q1-1.5(Q3-Q1) dan tertinggi Q3+1.5(Q3-Q1) Atau sama dengan nilai terendah Q1-1.5 IQR dan tertinggi Q3+1.5 IQR.
Maka menurut metoda Tukey Fences, rangeIQ tekanan darah diatas adalah
Battas terendah: 64 - 1.5(77-64) = 64-1.5(13)= 64-19.5 =44.5 Batas tertinggi: 77 + 1.5(77-64) = 77+1.5(13)==77+19.5=96.5
Sedangkan keyantaannya range diastolic blood pressures antara 62 sampai dengan 81.
17
Updated: 08 December, 2018
Ringkasan Framingham Cohort Characteristic
Mean
Standard Deviation(s)
Median
Q1
Q3
IQR
Systolic Blood Pressure
127.3
19.0
125.0
114.0
138.0
24.0
Diastolic Blood Pressure
74.0
9.9
74.0
67.0
80.0
13.0
Total Serum Cholesterol
200.3
36.8
198.0
175.0
223.0
48.0
Weight
174.4
38.7
170.0
146.0
198.0
52.0
Height
65.957
3.749
65.750
63.000
68.750
5.75
Body Mass Index
28.15
5.32
27.40
24.5
30.8
6.3
Tukey Method Characteristic
Minimum
Maximum
Lower Limit1
Upper Limit2
Systolic Blood Pressure
105
141
92
148
Diastolic Blood Pressure
62
81
44.5
96.5
18
Updated: 08 December, 2018
Total Serum Cholesterol
150
275
67
323
Weight
138
235
68.5
288.5
Height
60.75
72.00
52.5
80.5
Body Mass Index
22.8
31.9
17.85
36.65
8. Membuat Grafik Data Pada grafik data yang bisa ditampilkan adalah dalam bentuk Grafik Chart, histogram dan boxplot. Cara membuat Grafik Chart jenis kelamin dan tingkat pendidikan: 1. Tekan menu graph. 2. Pilih Chart Builder. 3. Pilih Galery misalnya pilih Bar. 4. Drops variable yang terpilih ke area Galery yang sudah dipilih. 5. Klik ok, hasilnya lihat di output.
19
Updated: 08 December, 2018
20
Updated: 08 December, 2018
21
Updated: 08 December, 2018
22
Updated: 08 December, 2018
Modul 5 Tabulasi Data Silang dan Uji Kai Kuadrat Oleh: Sobur Setiaman 1. Tujuan Setelah mempelajari bab ini, anda mampu: 1. Menjelaskan tujuan tabulasi silang. 2. Melakukan tabulasi data silang pada dua variabel yang memiliki jenis data kategori. 3. Menginterprestasikan hasil tabulasi data silang.
2. 1. 2. 3. 4.
Ruang lingkup Pendahuluan Tujuan uji kai kuadrat Prosedur tabulasi silang dengan SPSS Goodness of Fit Test
5. 6. 7. 8.
Cohort Study Case Control Study Screening diseases Predictive Screening
3. Pendahuluan Tabulasi silang merupakan metoda analisis dua varibel yang memiliki karakter kategori data, yaitu data dalam bentuk nominal, ordinal, serta kombinasi diantaranya. Uji Kai Kuadrat adalah pengujian hipotesis mengenai independensi frekuensi yang di observasi / yang benar-benar terjadi/aktual dengan frekuensi harapan/ekspektasi. Frekuensi observasi memiliki nilainya didapat dari hasil pengamatan atau observasi (oi) sedangkan frekuensi harapan atau ekspektasi memiliki nilainya dapat dihitung secara teoritis (ei). Uji Kai Kuadrat berguna untuk: 1. Menguji independensi dua variabel kategorik. 2. Mengukur kuatnya hubungan antara variabel yang satu dengan variabel nominal lainnya (C = Coefficient of contingency).
1 Bab 5. Tabulasi data silang Update: 08 December, 2018
Rumus Kai Kuadrat sebagai berikut:
4. Tujuan uji kai kuadrat 1. Mengetahui sebaran variabel data apakah homogenitas (homogeneity test with Good for fitness test). 2. Menguji independensi dua variabel kategorik, apakah signifikan (independency test). 3. Mengukur kuatnya hubungan antara variabel yang satu dengan variabel nominal lainnya (C = Coefficient of contingency). Persyaratan uji kai kuadrat: Assumsi #1: memiliki dua varaibel data yang berskala ordinal atau nominal level (jenis data kategorik). 2. Assumsi #2: variabel yang akan di analisa harus memiliki dua atau lebih kategori sebagai 1.
variabel independent. Contoh ingin mengetahui banyaknya jenis kelamin dengan tingkat pendidikan perawat, maka: 1. Jenis kelamin memiliki karakter data nominal yaitu jenis kelamin laki-laki dan perempuan. 2. Tingkat pendidikan memiliki karakter data ordinal (bentuk data berkategori dan berjenjang).
2 Bab 5. Tabulasi data silang Update: 08 December, 2018
5. Tahapan perhitungan kai kuadrat secara manual 1. Tentukan hypothesis. 2. Tentukan tingkat kemaknaan/significant level=5% 3. Hitung Degree of freedom, DF= (r-1)(c-1) 4. Hitung nilai expektasi: E=(c x r)n 5. Hitung kai kuadrat: 6. Bandingkan hasil hitung dengan table. rejected if C2 > table x2 Tingkat Pendidikan Pendidikan Terakhir
Jenis Kelamin
Total
D III
S1
S2
Laki-Laki
30
7
5
Perempuan
60
24
8
92
90
31
13
134
Menghitung nilai expektasi: Observasi Ekpektasi =(r x c)/n 30
=(90 x 42) / 134 = 3780/134 = 28,21
7
=(31 x 42) / 134 = 1302/134 = 9,72
5
=(13 x 42) / 134 = 546/134 = 4,07
60
=(90 x 92) / 134 = 8280/134 = 61,79
24
=(31 x 92) / 134 = 2852/134 = 21,28
8
=(13 x 92) / 134 = 1196/134 = 21,28
0
E
0-E
O-E2
(𝟎 − 𝑬)𝟐 𝑬
30 7 5 60 24
28.21 9.72 4.07 61.79 21.28
1.79 -2.72 0.93 -1.79 2.72
3.20 7.40 0.86 3.20 7.40
0.11 0.76 0.21 0.05 0.35 3
Bab 5. Tabulasi data silang Update: 08 December, 2018
42
8
8.93
-0.93
0.86
0.10
1.58 Table x2= df 2 dg 5%= 5,991
Not significant Degree of freedom= df=(3-1)(2-1)=2x1=2. At a 5% level of significance X Square table
4 Bab 5. Tabulasi data silang Update: 08 December, 2018
6. Prosedur tabulasi silang dengan SPSS Tujuannya adalah mengolah dua variabel yang berkategorik data menjadi tabulasi silang. 1. Tekan analyze, pilih Descriptive statistics, pilih crosstab. 2. Masukan variabel Jenis kelamin di kotak Row. 3. Masukan varibel pendidikan terkahir di kotak column. 4. Tekan Cell. 5. Beri tanda Observed count. 6. Beri tanda Row, Column and total percentage. 7. Tekan continue, dan tekan Ok. 8. Lihat hasilnya di out put.
5 Bab 5. Tabulasi data silang Update: 08 December, 2018
Jenis Kelamin * Pendidikan Terakhir Cross tabulation Pendidikan Terakhir
Total
D III
S1
S2
30
7
5
42
% within Jenis Kelamin
71.4%
16.7%
11.9%
100.0%
% within Pendidikan Terakhir
33.3%
22.6%
38.5%
31.3%
Jenis
% of Total
22.4%
5.2%
3.7%
31.3%
Kelamin
Count
60
24
8
92
% within Jenis Kelamin
65.2%
26.1%
8.7%
100.0%
% within Pendidikan Terakhir
66.7%
77.4%
61.5%
68.7%
% of Total
44.8%
17.9%
6.0%
68.7%
90
31
13
134
% within Jenis Kelamin
67.2%
23.1%
9.7%
100.0%
% within Pendidikan Terakhir
100.0%
100.0%
100.0%
100.0%
% of Total
67.2%
23.1%
9.7%
100.0%
Count Laki-Laki
Perempuan
Count Total
7. Prosedur uji kai kuadrat dengan SPSS Tujuannya adalah menguji hubungan antara variabel X dan variabel Y, dimana kedua variabel tersebut berjenis data berkategorik. 1. Tekan analyze, pilih Descriptive statistics, pilih crosstab. 2. Masukan variabel Jenis kelamin di kotak Row. 3. Masukan varibel pendidikan terkahir di kotak column. 6 Bab 5. Tabulasi data silang Update: 08 December, 2018
4. Tekan Cell. 5. Beri tanda Observed count. 6. Beri tanda Row, Column and total percentage. 7. Tekan continue, dan tekan Statistics. 8. Beri tanda pada Chi-square. 9. Tekan continue dan tekan Ok. 10. Lihat hasilnya di out put.
Chi-Square Tests Value
df
Asymp. Sig. (2-sided)
Pearson Chi-Square
1.578a
2
0.454
Likelihood Ratio
1.634
2
0.442
Linear-by-Linear Association
.059
1
0.808
N of Valid Cases
134
a. 1 cells (16.7%) have expected count less than 5. The minimum expected count is 4.07.
Not significant P>0,05 Symmetric Measures
Nominal by Nominal
Value
Approx. Sig.
Phi
0.109
0.454
Cramer's V
0.109
0.454
Contingency Coefficient
0.108
0.454
N of Valid Cases
134
a. Not assuming the null hypothesis. b. Using the asymptotic standard error assuming the null hypothesis.
7 Bab 5. Tabulasi data silang Update: 08 December, 2018
Kesimpulan Tabel Uji Bivariat Jenis Kelamin dengan Pendidikan Terakhir (n=134) Pendidikan Terakhir D III Count % within Jenis Kelamin Laki-Laki
% within Pendidikan % of Total
Jenis Kelamin
Count % within Jenis Kelamin Perempuan
% within Pendidikan % of Total Count % within Jenis Kelamin
Total
% within Pendidikan % of Total
S1
S2
Total
30
7
5
42
71.4%
16.7%
11.9%
100.0%
33.3%
22.6%
38.5%
31.3%
22.4%
5.2%
3.7%
31.3%
60
24
8
92
65.2%
26.1%
8.7%
100.0%
66.7%
77.4%
61.5%
68.7%
44.8%
17.9%
6.0%
68.7%
90
31
13
134
67.2%
23.1%
9.7%
100.0%
100.0%
100.0%
100.0%
100.0%
67.2%
23.1%
9.7%
100.0%
Df
2
Sig
X2
1.578
0,0454
Hypothesis: 1. Hypothesis nol: Jenis kelamin tidak mempengaruhi distribusi tingkat pendidikan. 2. Hypothesis alternative: Jenis kelamin mempengaruhi distribusi tingkat pendidikan.
Dari hasil uji X kuadrat diatas, bisa di ketahui: 1. 2. 3. 4.
Alpha=0,05 Uji Pearson Chi square bisa digunakan, karena tidak ada cell yang berisi data kurang dari 5. Hasil uji Pearson Chi Square: Asymp. Sig (2 side) menunjukan 0,454 > 0.05. (not significant). Artinya 0,454>0,05 = tidak signifikan, Jenis kelamin tidak mempengaruhi distribusi tingkat pendidikan.
8 Bab 5. Tabulasi data silang Update: 08 December, 2018
Catatan: 1. “Likelihood ratio” bisa digunakan untuk melihat keadaan loglinear, tapi ini bisa kita abaikan. 2. “Fisher’s Exact Text” digunakan bila dalam sell tidak berisi kurang dari pengamatan. 3. Pearson Chi-Square yang berisi cell kurang dari 5 pengamatan, hasil pengamatan akan jadi bias atau tidak bisa dipercaya. 4. The “Linear-by-Linear Association” statistik digunakan bila kedua variabelnya adalah ordinal. 5. Besarnya asosiasi bisa di uji dengan Phi atau Cramer V test, bila hasil kedua test tersebut tidak mendekati angka satu, maka asosiasi dianggap lemah. (not close to 1, the relationship is not very strong).
8. Goodness of Fit Test Chi Square adalah salah satu alat analisis yang paling sering digunakan pada statistik, dengan tujuan untuk Uji Homogenitas, Uji Independensi dan Uji Goodness of Fit Test. Uji Goodness of Fit Test pada prinsipnya bertujuan untuk mengetahui apakah sebuah distribusi data dari sampel mengikuti sebuah distribusi teoritis tertentu ataukah tidak. Pada faktanya “Goodness of Fit Test” digunakan untuk membandingkan dua distribusi data, yakni yang teoritis (frekuensi harapan) dan yang sesuai kenyataan (frekuensi observasi). Uji ini hampir sama dengan uji Binomial, hanya jika pada binomial hanya ada dua kemungkinan jawaban, pada uji Goodness of Fit ada lebih dari dua kemungkinan. Contohnya, ingin mengetahui apakah distribusi frekwensi jenis pendidikan perawat menunjukan distribusi sama atau tidak (homogenity). Buka file chi square2 SPSS. Bukan menu Analyze, pilih sub menu Nonparametric Test, lalu pilihan chi square …
9 Bab 5. Tabulasi data silang Update: 08 December, 2018
Pendidikan Terakhir
Test Statistics
Observed N
Expected N
Residual
Pendidikan
D III
90
44.7
45.3
Terakhir
S1
31
44.7
-13.7
Chi-Square
S2
13
44.7
-31.7
df
Total
134
72.642a 2
Asymp. Sig.
.000
a. 0 cells (0.0%) have expected frequencies less than 5. The minimum expected cell frequency is
Mean=134/3=44,7
44.7.
Observed N
Expected N
0-E
(0-E)2
D III
90
44.7
45.3
S1
31
44.7
-13.7
S2
13
44.7
-31.7
2052.09 187.69 1004.89
Total
134
(𝟎 − 𝑬)𝟐 𝑬
45.91 4.20 22.48
72.59
Mean=134/3=44,7
Table x2= df 2 dg 5%= 5.99 Significant different
Df= (3-1)(2-1)=2 dengan 5% Table x2= df 2 dg 5%= 5,991 Analysis: 1. Dari tabel pendidikan terlihat bahwa pendidikan D3 ada 90 responden, S1 ada 31 dan S2 ada 13. 2. Dari tabel tabbel pendidikan menunjukan nilai EXPECTED, adalah nilai rata-rata dari jumlah sample di bagi 3 kategori pendidikan yaitu 44,7 3. Nilai RESIDUAL menunjukan selisih nilai observed dengan nilai expected yang bervariasi.
10 Bab 5. Tabulasi data silang Update: 08 December, 2018
Proses pengambilan keputusan: a. HIPOTESIS: Ho: p1=p2=p3=1/3 Hi: p1≠ p2≠ p3≠1/3 NB: Ho menyatakan seharusnya distribusi sampel responden mengikuti distribusi teoritis, yaitu semua pendidikan sama merata atau homogenitas. Dasar pengambilan keputusan: 1. Dengan membandingkan Chi-Square Hitung dengan Chi-Square tabel: a. - Jika Chi-Square Hitung < Chi-Square tabel, Ho diterima b. - Jika Chi-Square Hitung > Chi-Square tabel, Ho ditolak 2. Dengan melihat angka probabilitas, dengan ketentuan: a. - Probabilitas >0,05 maka Ho diterima b. - Probabilitas <0,05 maka Ho ditolak
Keputusan: 1. Perbandingan Chi-Square Hitung dengan Chi-Square tabel: a. Dari tabel Ouput TEST STATISTICS terlihat angka Chi Square hitung adalah 72,642 b. Mencari Chi-Square Tabel: 2. Derajat kebebasan (df)= jumlah baris-1= 3-1 = 2 dengan Tingkat kepercayaan=95%, berarti tingkat signifikansi adalah 100%-95%=5%. a. Pada hasil hitung χ2 = 72,642 sedangkan pada tabel x2 =(0,05;2) = 5,991 b. Karena Chi-Square hitung (χ2) > Chi-Square tabel, maka Ho ditolak. c. Juga berdasar angka Probabilitas: Karena angka pada kolom EXACT. SIG adalah 0,000 yang adalah P< 0,05 significant FIT, maka Ho ditolak.
11 Bab 5. Tabulasi data silang Update: 08 December, 2018
Tambahan:
Table 2 x 2 juga digunakan untuk menganalisis suatu sebab akibat, dan uji
panapisan (Screening Test). 9. Cohort Study Cohort Study: membanding kejadian suatu penyakit dengan jenis paparan dalam waktu tertentu. Bila kejadian sudah lampau maka disebut retrospective study, bila kejadian akan di amati yang akan datang maka disebut prospective study. Cohort Study is that the investigator identifies subjects at a point in time when they do not have the outcome of interest and compares the incidence of the outcome of interest among groups of exposed and unexposed (or less exposed) subjects.
Penelitian suatu kejadian bila kejadian sudah lampau maka disebut retrospective study, bila kejadian akan di amanti yang akan datang maka disebut prospective study.
12 Bab 5. Tabulasi data silang Update: 08 December, 2018
Misalnya: 1.
CASES: Diketahui penderita peny paru paru, yang terpapar debu ada 42, yang tidak terpapar debur 8, total penderita peny paru paru adalah 8+42=50
2.
CONTROL: Diketahui yang sehat, terpapar debu ada 15, yang tidak terpapar debu ada 25, total orang yang sehat adalah 25+15=40
Kedua kelompok tersebut diperlukan untuk menguji tingkat resiko paparan debu terhadap timbulnya penyakit paru paru. Penyakit paru-paru
Paparan debu
Ya 42 8 50
Ya Tidak
Cases Risk Relative=RR=
Control
=42/57 =8/33
Tidak 15 25 40
57 33
= 0.7368 = 0.2424
= 3.039474
Interpretation Risk Relative:
RR > 1: Increased risk of outcome among “exposed” group.
RR < 1: Decreased risk, or protective effects, among “exposed” group.
RR = 1: No association between exposure and outcome.
13 Bab 5. Tabulasi data silang Update: 08 December, 2018
Kejadian penyakit paru ada 50 kasus, dimana yang terpapar debu memiliki resiko terjadinya penyakit paru-paru 3 kali daripada yang tidak terpapar debu.
10. Case Control Case control atau Odds ratio: adalah suatu studi untuk melihat probabilitas suatu kejadian/inciden akibat suatu paparan tertentu. Odd ratio is a ratio of the probability of an event occurring to the probability of an event not occurring among groups of exposed and unexposed (or less exposed) subjects.
Odds = P/(1-P) Interpretation Odd ratio=OR:
OR > 1: Increased odds of exposure among those with outcome
OR < 1: Decreased odds, or protective effects, among those with outcome
OR = 1: No association between exposure and outcome Penyakit paru-paru
Paparan debu
Odd Ratio=OR=
Ya Tidak
Case Control
Ya 42 8 50
=42/8 =15/25
Tidak 15 25 40
=5.25 =0.60
57 33
=8.75
Atau: Odd
Case Control
=42 x 25 =15 x 8
=1050 =120
8.75
Probabilitas kejadian penyakit paru-paru meningkat 8 kali pada penderita yang terpapar oleh debu. 14 Bab 5. Tabulasi data silang Update: 08 December, 2018
11. Screening Diseases Tanpa suatu penapisan, diagnosa penyakit hanya bisa dilakukan dengan melihat perkembangan tanda dan gejala penyakit. Frekwensi suatu penyakit akan di mulai pada fase tanda dan gejala maupun tanpa gejala yang bisa di diagnosa dengan melakukan penapisan diagnostik.
Maka hasil pemeriksaan Xray bisa di lakukan uji validitas. Uji validitas adalah tingkat kemampuan pemeriksaan diagnostik secara akurat pada penderita maupun yang tidak menderita suatu penyakit, misal nya pemeriksaan Xray pada kasus penderita dengan keluhan batuk batuk lebih dari 3 minggu. Nilai validitas bisa disebut true sensitive bila hasil pemeriksaan menyatakan positif pada penderita, sedang nilai specific bila hasil pemeriksaan pada orang sehat dinyantakan true negative. Test validity is the ability of a screening test to accurately identify diseased and non-disease individuals. An ideal screening test is exquisitely sensitive (high probability of detecting disease) and extremely specific (high probability that those without the disease will screen negative). However, there is rarely a clean distinction between "normal" and "abnormal."
Pemeriksaan Xray: Consolidasi paru
Positive Negative
Curiga Penyakit paru-paru (Keluhan batuk batuk > 3 minggu) Ya Tidak 42 15 8 25 50 40
57 33
Interpretasi:
Penderita batuk-batuk lebih 3 minggu di Xray, positif mengalami konsolidasi di seluruh lapangan paru paru sebesar 42 orang yang disebut true positive.
Sedangkan yang sehat (tidak mengalami keluhan batuk-batuk) setelah di Xray dengan hasil negatif atau tidak ditemukan konsolidasi di seluruh lapangan paru paru sebesar 25 orang yang disebut true negative.
15 Bab 5. Tabulasi data silang Update: 08 December, 2018
Sentitivity pemeriksaan Xray pada penderita yang mengalamai batuk-batuk lebih 3 minggu menunjukan true positif 42 sedangkan jumlah kasus adalah 50 orang, maka nilai sentififikasinya adalah: 42/50=0.84 = 84%
Specificity pemeriksaan Xray pada orang yang sehat (tidak mengalamai batuk-batuk lebih 3 minggu) menunjukan true negative 25 dari sejumlah orang sehat 40 orang, maka nilai spesifikasi nya adalah: 25/40=0.625 = 62,5%
As noted in the biostatistics module on Probability:
Sensitivity = True Positive Fraction = P(Screen Positive | Disease) = a/(a+c) Specificity = True Negative Fraction = P(Screen Negative | Disease Free) = d/(b+d)
12. Predictive Screening Keberhasilan suatu penapisan (screening test) dengan alat diagnostik, harus mempertimbangkan nilai prediktif positif dan nilai prediktif negatif dengan cara melakukan perhitungan kontingensi table 2 x 2. When evaluating the feasibility or the success of a screening program, one should also consider the positive and negative predictive values. These are also computed from the same 2 x 2 contingency table, but the perspective is entirely different.
Pemeriksaan Xray: Consoildati paru
Positive Negative
Curiga Penyakit paru-paru (Keluhan batuk batuk > 3 minggu) Ya Tidak 42 15 8 25 50 40
57 33
Interpretasi:
Prevalensi curiga penyakit paru-paru, 50 orang dari total populasi 90 orang, maka prevalensi rate curiga peny paru-paru = 50/90= 0.556 = 55,6%
Prevalensi positif infeksi paru-paru: 42 orang dari sejumlah orang yang diperiksa 90 orang, maka prevalensi rate: 42/90=0.467=46,7%.
Predictive positive: orang sakit di diagnostik dengan Xray menunjukan 42 orang positive
pada 57 orang yang sakit, maka indikasi predictive positive = 42 / 57 = 0,767 = 76,6%. 16 Bab 5. Tabulasi data silang Update: 08 December, 2018
Pada penderita keluhan batuk-batuk lebih dari 3 minggu, prediksi terdiagnosa infeksi paru paru dengan pemeriksaan Xray di perkirakan 76,6%.
Predictive negative: orang sehat di diagnostik dengan Xray menunjukan negative sebanyak 25 orang dari 33 orang yang sehat , maka indikasi preeictive ngative = 25 / 33 = 0,7576=75,76%. Pada orang sehat
dilakukan pemeriksaan Xay di prediksi / di
perkirakan 75,76% bebas dari diagnosa infeksi paru-paru.
17 Bab 5. Tabulasi data silang Update: 08 December, 2018
Modul 6 Uji Normalitas Oleh: Sobur Setiaman 1. Tujuan Setelah mempelajari modul ini, diharapkan anda dapat: 1. Menjelaskan tujuan uji normalitas data. 2. Membaca dan menjealskan hasil uji nromalitas data. 3. Melakukan uji nromalitas data dengan SPSS. 2. Ruang lingkup 1. Pendahuluan 2. Tujuan uji normalitas 3. Hasil uji nromalitas 4. Prosedur uji normalitas 3. Pendahuluan Distribusi data adalah gambaran bentuk dan luasnya sebaran data yang terkumpul. Bentuk distribusi data mudah di lihat pada histogram grafik batang. Bentuk sebaran data bisa simetrik atau tidak simetrik, sebaran distribusi data bisa berbentuk unimodal, bimodal, uniform. Umumnya distribusi data di kelompokan dalam dua bentuk yaitu distribusi data normal dan tidak normal.
1 Updated: 09 December, 2018
Distribusi normal, disebut pula distribusi Gauss, adalah distribusi probabilitas yang paling banyak digunakan dalam berbagai analisis statistika. Distribusi normal baku adalah distribusi normal yang memiliki rata-rata nol dan simpangan baku satu. Distribusi ini juga dijuluki kurva lonceng (bell curve) karena grafik fungsi kepekatan probabilitasnya mirip dengan bentuk lonceng. Distribusi normal juga banyak digunakan dalam pengujian hipotesis mengasumsikan normalitas suatu data. Karakteristik data distribusi normal adalah (1) memiliki bentuk simetrik terhadap nilai rata-rata, (2) memiliki kemiringan/skew grafis seimbang antara kiri dan kanan, (3) memiliki keruncingan/Kurtosis. Untuk mengetahui distribusi data, bisa dilakukan dengan pengujian normalitas distribusi data dengan SPSS. Uji distribusi normal atau uji normalitas data adalah alat uji untuk mengukur apakah data yang terkumpul atau yang kita memiliki distribusi normal atau tidak, sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Distribusi Normal ditunjukan dengan gambaran kurva berbentuk bel, simetris, dan simetris terhadap sumbu yang melalui nilai rata-rata. 4. Tujuannya uji normalitas 1. Untuk mengetahui apakah data empirik yang kita dapatkan dari lapangan itu sesuai dengan distribusi teoritik. 2. Untuk menentukan jenis distribusi data, apakah berdistribusi normal atau tidak. 3. Untuk menentukan jenis uji komparatif atau uji perbedaan, apakah dengan cara uji parametrik atau uji non parametrik. 2 Updated: 09 December, 2018
Untuk mengetahui bentuk distribusi data dapat digunakan grafik distribusi dan analisis statistik. Penggunaan grafik distribusi merupakan cara yang paling gampang dan sederhana. Cara ini dilakukan karena bentuk data yang terdistribusi secara normal akan mengikuti pola distribusi normal di mana bentuk grafiknya mengikuti bentuk lonceng (atau bentuk gunung). Sedangkan analisis statistik menggunakan analisis keruncingan dan kemencengan kurva dengan menggunakan indikator keruncingan dan kemencengan. 5. Hasil uji normalitas 1. Hasil uji grafis dengan histogram: Simetrik, ekualitas. 2. Hasi uji statistik dengan uji Kolmogorov Smirnov: a. Nilai significant, bila lebih dari 5%, dikatakan berdistribusi normal. b. Nilai Z score skewness atau kurtosis di bagi dengan nilai Standard Error, dan harus lebih kurang dari 1,95 ( dengan alpha 5%), atau lebih kurang dari 2,58 (dengan alpha 1%) atau dengan kata lain bila nilai Z score berada di antara -2 dan 2 maka distribusi data tersebut normal. Skewness adalah istilah tingkat kemiringan suatu kurva, merupakan ukuran kecenderungan mencengnya suatu kurva, berdasarkan konsep hubungan pemusatan data antara nilai rata-rata ̅, Mo, dan Me): hitung, modus dan mediannya (X
̅ = Mo = Me, maka kecenderungan kurvanya akan terbentuk simetris (distribusi Jika nilai X normal),
Jika nilai ̅ X ≠ Mo ≠ Me, maka ada 2 (dua) kemungkinan yang dapat terjadi pada kurvanya, bisa condong ke kiri (positif) atau bisa juga condong ke kanan (negatif) keadan ini disebut distribusi tidak normal.
3 Updated: 09 December, 2018
Kurtosis/keruncingan suatu kurva adalah derajat kepuncakan suatu distribusi, biasanya diambil relatif terhadap distribusi normal. Ukuran keruncingan adalah suatu besaran yang digunakan untuk menentukan apakah sekumpulan data derajat kepuncakan leptokutik (lancip), normal atau platikurtik (tumpul). Tingkat keruncingan suatu kurva (kurtosis) memiliki 3 jenis, yaitu:
Leptokurtis (puncak relative tinggi) (Merah).
Mesokurtis (puncak normal) (Hitam).
Platikurtis (puncak relative rendah) (Kuning).
4 Updated: 09 December, 2018
Contoh menguji data nilai kepatuhan cuci tangan pada perawat:
6. Prosedur Uji Normalitas 1. Siapkan variabel jenis kelamin dan variabel kepatuhan. a. Rumuskan formula hipotesis. b. Ho: Data berdistribusi normal. c. Ha: Data tidak berdistribusi normal. d. Tentukan taraf signifikan (a). e. Tentukan alat uji statistik. f. Tentukan kriteria pengujian hipotesis. 2. Prosedur dengan SSPSS : Pilih Analyze, Descriptive Statistics, Explore 3. Masukan variabel nilai patuh ke Kotak Dependent List. 4. Klik Plot: a. Centang Stem and leaf. b. Centang Histogram. c. Centang Normality plots with test. 5. Tekan continue, dan tekan OK. Lihat out put. 6. Bila hasil signifikan pada Kolmogorov Smirnov test menunjukan angka: a. Kurang dari 0,05 maka data tidak berdistribusi normal. b. Lebih dari
0,05 maka data berdistribusi normal. Hasilnya:
5 Updated: 09 December, 2018
Dari gambar tabel diatas diketahui: Z score Skewness (derajat simetris) = 0,250 / 0,209 = 1,196 dan Z score Kurtosis (kemiringan) = 0.549 / 0,416 = 1,319 dengan Sig KS 0,00. Keduanya berada di antara interval -2 dan 2 termasuk data berdistribusi tidak normal, maka dapat dilakukan pengujian perbedaan rata-rata dengan uji non-parametrik. 6 Updated: 09 December, 2018
Modul 7 Uji Independensi pada Data Interval Berpasangan Oleh Sobur Setiaman 1. Tujuan Setelah mempelajari bab ini, anda harus mampu menguji dua sampel berpasangan: 1. Uji T – pada data interval yang berdistribusi normal. 2. Uji Wicoxon – pada data interval yang tidak berdistribusi normal.
2. Ruang lingkup 1. Paired T Test 2. Wilcoxon Test
3. Paired T Test Tes t atau Uji t adalah uji statistik yang digunakan untuk menguji kebenaran atau kepalsuan hipotesis nol. Uji t pertama kali dikembangkan oleh William Seely Gosset pada 1915.Awalnya ia menggunakan nama samaran Student, dan huruf t yang terdapat dalam istilah Uji “t “ dari huruf terakhir nama beliau. Uji t disebut juga dengan nama Student t. Uji T adalah alat analisis data untuk menguji satu populasi atau dua populasi dengan cara membandingkan dua mean (rata-rata) untuk menentukan apakah perbedaan rata-rata tersebut perbedaan nyata atau karena kebetulan. Paired t-test (disebut pasangan-sampel t-test di SPSS) membandingkan sarana antara dua kelompok yang terkait pada terus menerus, dimana variabel dependen yang sama. Misalnya, apakah ada perbedaan rata-rata kepatuhan cuci tangan sebelum dan sesudah memeriksa pasien
1 Updated: 08 December, 2018
pada perawat? (yaitu, variabel dependennya adalah "mencuci tangan", dan dua kelompok yang di amati adalah kepatuhan cuci tangan "sebelum" dan "setelah" memeriksa pasien).
𝑀𝑒𝑎𝑛1−𝑀𝑒𝑎𝑛2
t=
𝑆 𝑝𝑜𝑜𝑙𝑒𝑑
0,4942 +0,2872
S pooled=√
2,59−2,91
t=
s pooled
0,001227
134+134−3
=
−0,320 0,001227
0,244+0,082
SS1 SS 2 n1 n2 2
0,326
= √ 134+134−2 = √ 266 = 0,001227
= −𝟐𝟔𝟏
Degree of freedom adalah perkiraan variabilitas nilai rata-rata (n-1)=134-1=Table t Df 133;0,05 = 1,677 Jika variabel dependen Anda dikotomis, sebaiknya menggunakan Uji McNemar. Namun, sebelum kami perkenalkan prosedur ini, perlu dipahami asumsi yang berbeda bahwa data nya harus memenuhi syarat agar hasil t-test dependent memberikan hasil yang valid. 2 Updated: 08 December, 2018
o
Assumsi #1: dependent variable diukur dengan skala continuous (interval or ratio level). Misalnya ukuran berat badan dalam kg.
o
Assumsi #2: independent variable haru terdiri dari dua kategori uji pre test dan uji post test.
o
Assumsi #3: tidak ada data significant outliers, misalnya ada hasil ujian Matetika pada 100 siswa dimana nilal rata rata 80%, ada satu siswa dengan nilai 10%. Yang punya nilai 10% ini yg dimaksud outliers karena hanya satu siswa sajaa dengsan nilai tersebut.
o
Assumsi#4: distribusi dependent variable dikedua variabel tersebut harus berdistribusi normal, bila tidak bisa dilakukan dengan uji Wilcoxon.
Prosedur Uji T Test Tujuan: untuk menguji perbedaan rata-rata dua sampel berpasangan dimana kedua data tersebut berdistribusi normal. Contoh: apakah ada perbedaan rata-rata mencuci tangan sebelum dan sesudah memeriksa pasien pada perawat? Prosedur: 1. Siapkan variabel mencuci tangan sebelum memeriksa pasien dan variabel mencuci tangan setelah memeriksa pasien. a. Variabel independen: Sebelum periksa pasien.. b. Variabel depeden: Sesudah periksa pasien. c. Hasil uji normalitas kedua variabel menunjukan berdistribusi normal. 2. Hipotesa: a. Ho: Tidak ada perbedaan rata-rata kepatuhan mencuci tangan sebelum dan sesudah memeriksa pasien. b. Ha: Ada perbedaan rata-rata kepatuhan mencuci tangan sebelum dan sesudah memeriksa pasien. 3. Alpha 5%. 4. Analyze, compare mean, Paired-sample T test. 5. Masukan variabel sebelum periksa pada kotak variabel 1. 6. Masukan variabel setelah periksa pada kotak variabel 2. 3 Updated: 08 December, 2018
7. Tekan OK, lihat hasilnya pada out put. 8. Bila hasil T test menunjukan angka: a. Kurang dari 0,05 maka significant. b. Lebih dari 0,05 maka not significant.
4 Updated: 08 December, 2018
Hasil Nilai rata-rata kepatuhan cuci tangan sebelum memeriksa pasien menunjukan 2,59 dan setelah memeriksa pasien menunjukan 2,91. Sedangkan hasil uji T test menunjukan nilai 0,002 (<0,05) indikasi signifikan, maka dapat disimpulkan bahwa ada perbedaan rata-rata kepatuhan cuci tangan sebelum dan sesudah memeriksa pasien pada perawat. Dengan kata lain bisa dikatakan bahwa kepatuhan cuci tangan setelah memeriksa pasien lebih baik daripada sebelum memeriksa pasien.
5 Updated: 08 December, 2018
4. Wilcoxon Test (2 related sample test) Wilcoxon Test (2 related sample test) untuk menguji dua kelompok yang berdata numerik. Misalnya variabel nilai skor sikap terhadap nilai skor mencuci tangan dengan sabun. Variabel independent
Variabel dependent
(Skala kontinyu)
(Skala Kontinyu)
Skor Sikap
Skor Kepatuhan
Kriteria bila nilai significant Wilcoxon < 0,05 menunjukan significant different. Prosedur uji Wilcoxon: 1. Siapkan variabel skor sikap dan variabel skor kepatuhan cuci tangan dengan sabun. a. Variabel independen: Skor sikap. b. Variabel depeden: skor kepatuhan c. Hasil uji normalitas kedua variabel menunjukan tidak berdistribusi normal. 2. Hipotesa: a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin. b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin. 3. Alpha 5%. 4. Analyze, Nonparametric Test, Two-Related- samplest t test. 5. Masukan variabel dependant : skor patuh ke Kotak variable 1. 6. Masukan variabel independent : skor cuci tangan ke Kotak variable2. 7. Pilih type test: Wicoxon. 8. Tekan continue, dan tekan OK. Lihat out put.
6 Updated: 08 December, 2018
Hasil: Asymp sig 0,000 kurang dari 5%.
7 Updated: 08 December, 2018
Kesimpulan: Hasil uji Wilcoxon menunjukan Significant (sig 0,000), Kepatuhan cuci tangan dengan sabun dipengaruhi oleh sikap.
8 Updated: 08 December, 2018
Modul 8 Uji Independensi Data Nominal dengan Data Interval Oleh Sobur Setiaman
1. Tujuan Pada modul ini akan di bahas dua jenis uji independensi yaitu: Menguji independensi 2 sample variabel nominal dikotomi terhadap variabel kotinyu yaitu: 1. Uji T bila variabel kontinyu berdistribusi normal. 2. Uji Man Whitney U, bila variabel kontinyu tidak berdistribusi normal.
Menguji independensi 2 sample variabel ordinal atau nominal lebih dua kategori terhadap variabel kontinyu yaitu: 3. Uji one way ANOVA, bila variabel kontinyu berdistribusi normal. 4. Uji Kurskal Wallis H, bila variabel kontinyu tidak berdistribusi normal.
2. Ruang lingkup 1. T Test pada data ber-distribusi normal. 2. Man Whitney test pada data tidak ber-distribusi normal.
3. T Test
Tes t atau Uji t adalah uji statistik yang digunakan untuk menguji kebenaran atau kepalsuan hipotesis nol. Uji t pertama kali dikembangkan oleh William Seely Gosset pada 1915.Awalnya ia menggunakan nama samaran Student, dan huruf t yang terdapat dalam istilah Uji “t “ dari huruf terakhir nama beliau. Uji t disebut juga dengan nama Student t.
1
Uji t adalah alat analisis data untuk menguji satu populasi atau dua populasi dengan cara membandingkan dua mean (rata-rata) untuk menentukan apakah perbedaan rata-rata tersebut perbedaan nyata atau karena kebetulan.
Tujuan: 1. Untuk menguji perbedaan rata-rata pada dua sampel independen dengan data dependen berdistribusi normal. 2. Untuk menguji hubungan antara data nominal dengan data kontinyu. Persyaratan: 1. Independen variabel berbentuk data nominal misalnya jenis kelamin. 2. Dependen variabel berbentuk data kontinyu dan berdistribusi normal. 3. Hitung kedua data nominal dengan Levene Test apakah kedua data tersebut memiliki varian sama atau tidak. Tabel Nilai skor kepatuhan cuci tangan (n=64) Jenis Kelamin
N
Mean
SD
SE Mean
Laki-laki
33
17,73
2,5
0,436
Perempuan
34
18,26
2,4
0,416
Total
64
2
4. Melakukan uji varian (Levene’s Test for equality of variance) Apakah varian berbeda atau tidak berbeda Uji varian = F = S12/S22 Hipotesis: Ho: Kedua kelompok memiliki varian yang sama H1: kedua kelompok tidak memiliki varian yang sama Contoh: f hit = S12 / S22 = 2,5 / 2,4=1,04 df1-df2=33-34= -1 f tab = df 1;0.05 = 4,3 varian sama. f hit < ftab varian sama T test dg varian sama:
(33−1)2,52 + (34−1)2,42
Sp=√
17,73−18,26
t=
1 1 2,43√ + 33 34
33+34−2
−0,530
= 2,43 𝑥
√
(31 𝑥6,25)+(33𝑥5,76 )
=√
65
−0,530
= 2,43 𝑥 0,244 = 0,0597
−0,530 0,59
=√
193,75+190,08 65
= √5,9 = 2,43
= −𝟎, 𝟖𝟗
Df=dengan derajat bebas untuk distribusi t adalah df=n1+n2-2 Df=33+34-2=67-2=65; 5%= 0,679 T hitung -0,89 dan t tble (df=65:5%) 0,679. T hitung lebih kecil = Tidak signifikant
3
T test dg varian tidak sama:
s2 s2 1 2 thit ( x x ) t 1 2 n n 2 2 1
4
Contoh penghitungan dengan SPSS: Apakah ada perbedaan rata-rata kepatuhan cuci tangan pada perawat laki-laki dan perempuan? Prosedur uji t berpasangan 1. Siapkan variabel jenis kelamin dan variabel kepatuhan. a. Variabel independensi: jenis kelamin: berkategori dua saja. b. Hasil uji normalitas variabel dependen: kepatuhan menunjukan berdistribusi normal. 2. Hipotesa: a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin. b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin. 3. Alpha 5%. 4. Analyze, Compare mean, Independent samplest t test. 5. Masukan variabel patuh ke Kotak test variable. 6. Masukan variabel jenis kelamin ke Kotak Group Variable. 7. Tekan define groups. Karena jenis kelamin hanya dua group yaitu laki-laki dan perempuan, maka di kotak group 1 ketiklah angka 1, dan di kotak group 2, ketik angka 2. 8. Tekan continue, dan tekan OK. Lihat out put. 9. Bila hasil signifikan pada Levene’s Test for equality of variance menunjukan angka: a. Kurang dari 0,05 = kedua variance tidak sama (Equal variances not assumed) / not homogeny. b. Lebih dari 0,05 = kedua variance sama (Equal variances assumed) / homogeny. 10. Bila hasil T test menunjukan angka: a. Kurang dari 0,05 = significant. b. Lebih dari 0,05 = not significant.
5
Karena hasil uji Levene’s: pada f test yang di baca adalah pada baris equal variance assumed F= 0,108 dg nilai sig 0,744. 0,744 (p>0,05)=”equal variance”, lalu kita lihat pada baris “Equal variance” sig. (2 tailed) menunjukan t=-0892 dengan sig 0,376 (p>0,05) = no significant.
Maka dapat disimpulkan bahwa tidak ada perbedaan rata-rata kepatuhan cuci tangan antara perawat yang jenis kelamin laki-laki dan jenis kelamin perempuan. Atau dengan kata lain jenis kelamin tidak mempengaruhi terhadap kepatuhan cuci tangan pada perawat tersebut. 6
5. Man Whitney U test Man Whitney U test (2 independent Sample test) untuk menguji idendefendensi variabel Defendant misalnya menguji perbedaan skor sikap apakah di pengaruhi oleh varibel independent Misalnya jenis kelamin. Variabel independent
Variabel dependent
(Skala Nominal)
(Skala Kontinyu)
Kepatuhan
Jenis Kelamin
Kriteria bila nilai significant Mann-whitney U < 0,05 menunjukan significant. Prosedur: 1. Siapkan variabel jenis kelamin dan variabel kepatuhan. a. Variabel independensi: jenis kelamin: berkategori dua saja. b. Hasil uji normalitas variabel dependen: kepatuhan menunjukan tidak berdistribusi normal. 2. Hipotesa: a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin. b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis kelamin. 3. Alpha 5%. 4. Analyze, Nonparametric Test, Two-independent- samplest t test. 5. Masukan variabel dependant patuh ke Kotak test variable. 6. Masukan variabel jenis kelamin ke Kotak Group Variable. 7. Tekan define groups. Karena jenis kelamin hanya dua group yaitu laki-laki dan perempuan, maka di kotak group 1 ketiklah angka 1, dan di kotak group 2, ketik angka 2. 8. Pilih type test: Mann-whitney U. 9. Tekan continue, dan tekan OK. Lihat out put. 7
Maka hasilnya adalah:
Hasil: Asymp sig 0,0623 lebih dari 5%, tidak signifikan. Kesimpulan: tidak signifikan berbeda sikap perawat laki-laki dan perempuan sama walupun jumlah perawat perempuan lebih banyak dari laki-laki.
8
Modul 9 Uji Independensi pada Data Ordinal dengan Data Interval Oleh: Sobur Setiaman 1. Tujuan Setelah mempelajari modul ini diharapkan anda bisa: 1. Melakukan uji ANOVA 1 faktor 2. Melakukan uji Kurskal Wallis H 2. Ruang lingkup 1. Uji ANOVA 1 faktor 2. Tujuan uji ANOVA 1 faktor 3. Prasyarat uji ANOVA 1 faktor 4. Prosedur manual uji ANOVA 1 faktor 5. Prosedur dengan uji ANOVA 1 faktor SPSS
3. Uji ANOVA 1 Faktor (One-way ANOVA) Pendahuluan Analisis satu arah varians (ANOVA) untuk menguji independensi variabel ordinal terhadap dependensi variabel interval. Misalnya, Anda bisa menggunakan ANOVA satu arah untuk memahami apakah tingkat pendidikan perawat (variabel ordinal) mempengaruhi terhadap skor kepatuhan cuci tangan (variabel interval). CATATAN: Jika desain studi Anda tidak hanya melibatkan satu variabel dependen dan satu variabel independen, tetapi juga variabel ketiga (dikenal sebagai "kovariat") yang ingin Anda "kontrol statistik", Anda mungkin perlu untuk melakukan ANCOVA (analisis kovarians), yang dapat dianggap sebagai perpanjangan dari satu arah ANOVA. Karena uji ANOVA sering diikuti dengan tes post-hoc, kami tunjukkan bagaimana melaksanakan ini menggunakan SPSS Statistik. 1
1. 2.
3.
4. 5.
6.
Assumsi #1: dependent variable ber skala interval or ratio level. Assumsi #2: independent variable harus terdiri dari dua kategori atau lebih, independent groups. Contohnya Tingkat pendidikan perawat (Diploma, S1, S2) Assumsi #3: Hasil pengamatannya dimana tidak ada hubungan di masing masing group yang di amati. Assumsi #4: tidak ada nilai significant outliers. Assumsi #5: dependent variable harus berdistribusi normal pada masing masin kategori. Assumsi #6: datanya memiliki homogenitas. Bila tidak homogen, periksa hasil uji Welch ANOVA dan Games-Howell test pada post-hoc test.
Tujuan ANOVA 1 faktor 1. Digunakan untuk menguji perbedaan rata-rata lebih dua kelompok ordinal. 2. Untuk menguji hubungan antara data ordinal dengan data numerik (ratio atau interval). Persyaratan uji ANOVA 1 faktor 1. Data independen berbentuk data ordinal misalnya tingkat pendidikan. 2. Data independent memiliki varian kelompok homogen. 3. Data dependen variabel berbentuk data numerik dan berdistribusi normal misalnya data hasil pengukuran kepatuhan cuci tangan. 4. Data dependen harus berdistibusi normal. Contohnya: Apakah pendidikan perawat jenjang Akper, S1 dan S2 Kep dapat mempengaruhi kepatuhan cuci tangan?
2
Diploma
S1
S2
n1
n2
n3
s1
s2
s3
Se1
Se2
Se3
Diploma
S1
S2
Total
90
31
13
134
Mean
24.48
25.90
25.46
SD
0.90
0.79
1.13
SE
0.95
0.14
0.31
Sample Size Mean SD: Standard Deviation SE: Standard Error
Sample Size
Prosedur manual 1. The hypothesa:
H0: μ1 = μ2 = μ3 ... = μk H1: Means tidak sama.
2. Where k = the number of independent comparison groups.
3. Calculate: 4. Table of probability values for the F distribution df1 = k-1, df2=N-k. 5. Alpha: 5%
Source of Variation
Sums of Squares (SS)
Degrees of Freedom Mean Squares (MS) (df)
Between Treatments
k-1
Error (or Residual)
N-k
Total
N-1
3
F
Diploma Sample Size
S1
S2
Total
90
31
13
134.00
Mean
24.49
25.90
25.46
75.85
SD
0.909
0.79
1.13
2.82
Mean total mean=75,85/3=25,28 SSB=90(24,49-25,28)2+31(25,90-25,28)2+13(25,46-25,28)2 SSB=90(0,63)+31(0,38)+13(0,03) SSB=56,97+11,87+0,40 SSB=69,25 / (3-1)=69,25/2=34,62
Sums of Squares
Degrees of Freedom
(SS)
(df)
Between Group
69,25
3-1 = 2
Error (or Residual)
106,42
Source of Variation
Means Squares F (MS)
69,25/2 = 34,62
134-2 = 133 106,42/133 = 0,812
34,62 / 0,812 = 31,077
Table F : Row K1=2 and Column k2=133 = 3,09 Significant
Prosedur uji ANOVA 1 faktor dengan SPSS 1. Siapkan dua variabel tingkat pendidikan dan variabel kepatuhan. a. Variabel independensi: pendidikan: berkategori lebih dari dua. b. Hasil uji normalitas variabel dependen: kepatuhan menunjukan berdistribusi normal. 2. Hipotesa: a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan. b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan. 3. Alpha 5%. 4. Pilih menu Analyze, compare means, One way ANOVA. 5. Masukan variabel kepatuhan ke dalam kotak Dependent list. 6. Masukan variabel pendidikan ke dalam kotak factor. 4
7. Tekan Option, centang Statistics Descriptive and Homogenity of variance, lalu tekan continue. 8. Tekan Post Hoc, lalu centang Tukey, lalu tekan continue. 9. Bila hasil signifikan pada Levene’s Test for homogeneity test menunjukan angka: a. Kurang dari 0,05 maka kedua variance tidak sama (tidak homogen), lanjutkan dengan uji Kurskal Wallis H. b. Lebih dari 0,05 maka kedua variance sama (homogen), uji ANOVA bisa dilanjutkan. 10. Bila hasil ANOVA test menunjukan angka: a. Kurang dari 0,05 maka ada perbedaan (Significant). b. Lebih dari 0,05 maka tidak ada perbedaan (not significant).
5
Hasil uji ANOVA 1 faktor 1. Uji deskriptif, menjelaskan distribusi nilai rata-rata dependen variabel terhadap independent variabel. 2. Uji Homogenitas, menunjukan ada tidaknya homogenitas atau ekualitas varian data. a. Bila nilai significance lebih dari 5% ( Sig > 0.05) indikasi adanya homogenitas pada varian tersebut. b. Bila hasil uji homogentias menunjukan homogen, maka uji selanjutnya adalah ANOVA. 3. Uji ANOVA, bila nilai significance < 5% (Sig.< 0.05) indikasi signifikan. 4. Multiple comparison dengan Tukey Test, untuk melihat perbandingan antar kategori, yang mana saja yang signifikan.
Distribusi data: homogen (P>0.05)
Mean education: significant different (P<0.05)
6
Patuh Tukey HSD Pendidikan Terakhir
N
Subset for alpha = 0.05 1
2
D III
90
S2
13
25.4615
S1
31
25.9032
Sig.
24.4889
1.000
0.198
Means for groups in homogeneous subsets are displayed. a. Uses Harmonic Mean Sample Size = 24.939. b. The group sizes are unequal. The harmonic mean of the group sizes is used. Type I error levels are not guaranteed.
7
Kesimpulan: 1. Hasil significant homogeneity test menunjukan angka 0,115 (>0,05) artinya data homogen, maka uji ANOVA bisa dilakukan. 2. Hasil significant ANOVA test menunjukan angka 0,000 (<0,05) artinya signifikan berbeda dengan kata lain tingkat pendidikan mempengaruhi kepatuhan cuci tangan.
4. Kurskal Wallis H Test Pendahuluan Kurskal Wallis H Test (K independent sample test) untuk menguji independensi variabel ordinal terhadap variabel terhadap variabel kontinyu/numerik yang berdistribusi tidak normal. Misal variabel jenis tingkat pendidikan terhadap variabel sikap.
Kriteria bila nilai significant Kurskal Wallis H < 0,05 menunjukan significant different.
Prosedur uji Kurskal Wallis H 1. Siapkan variabel tingkat pendidikan dan variabel kepatuhan. a. Variabel independensi: pendidikan berkategori lebih dari dua. b. Hasil uji normalitas variabel dependen: keptuhan menunjukan tidak berdistribusi normal. 2. Hipotesa: a. Ho: Tidak ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan. b. Ha: Ada perbedaan rata-rata kepatuhan pada berbagai jenis pendidikan. 8
3. Alpha 5%. 4. Analyze, Nonparametric Test, Test for several Indefendent samplest t test. 5. Masukan variabel dependant sikap ke Kotak test variable. 6. Masukan variabel tingkat pendidikan ke Kotak Group Variable. 7. Tekan define groups. Karena jenis kelamin hanya dua group yaitu laki-laki dan perempuan, maka di kotak group 1 ketiklah angka 1, dan di kotak group 3, ketik angka 3. KArene ada 3 tingkat pendidikan yaitu 1 SPK, 2 D3 dan 3 S1. 8. Pilih type test: Kurskal Wallis H. 9. Tekan continue, dan tekan OK. Lihat out put.
Hasil uji Kurskal Wallis H
Asymp sig 0,609 lebih besar dari 5%. 9
Kesimpulan Tidak significant different. Tingkat pendidikan tidak mempengaruhi nilai sikap pada perawat tersebut walaupun yang berpendidikan D3 lebih tinggi nilainya.
10
11
12
13
14
15
Modul 10 Uji korelasi pada Dua Data Interval Oleh: Sobur Setiaman 1. Tujuan pembelajaran Setelah mempelajari bab ini, anda harus mampu: 1. Menganalisis normalitas data dengan program SPSS. 2. Menentukan alat uji korelasi sesuai dengan hasil normalitas data. 3. Melakukan uji korelasi dengan Pearson Product Moment. 4. Melakukan uji korelasi dengan Spearman Rank Test. 5. Membaca hasil uji korelasi.
2. Ruang lingkup 1. Uji nromalitas data 2. Uji korelasi 3. Pearson product moment test 4. Spearman Rank test
3. Uji Normalitas Data Uji distribusi normal atau uji normalitas adalah uji untuk mengukur apakah data kita memiliki distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Tujuannya uji normalitas adalah untuk mengetahui apakah data empirik yang kita dapatkan dari lapangan itu sesuai dengan distribusi teoritik.
1 Update: 09 December, 2018
Hasil uji normalitas dilihat dari: 1. Histogram. 2. Uji Kolmogorov Smirnov: a. Nilai significant, bila lebih dari 5%, dikatakan berdistribusi normal. b. Nilai skewness atau kurtosis di bagi dengan nilai Standard Error, tidak lebih dari 1,95 (5%), atau 2,58 (1%). Prosedur uji distribusi normal dengan SPSS 1. Tujuanya adalah mengidentifikasi distribusi data atau uji normalitas data melalui Uji Kolmogorov-Smirnov. 2. Tekan analyze, tekan descriptive statistics, tekan Explore. 3. Masukkan variabel yang hendak di uji pada kotak Dependen. 4. Tekan tombol Plots. 5. Beri tanda Normality Plot With Test. 6. Beri tanda Factor levels together pada boxplots. 7. Tekan continue and tekan OK 8. Keputusan: a. Bila nilai probabilitas > 0,05 menunjukan bahwa data berdistribusi normal. b. Bilai nilai probabilitas < 0,05 menunjukan bahwa data tidak berdistribusi normal
2 Update: 09 December, 2018
Hasil analysis
Tests of Normality Kolmogorov-Smirnova
Shapiro-Wilk
Statistic
df
Sig.
Statistic
df
Sig.
SSikap
.128
134
.000
.968
134
.003
TPatuh
.213
134
.000
.906
134
.000
a. Lilliefors Significance Correction
Nilai significant dari hasil uji Kolmogorov-Smirnov 0,00 (P< 0,05), ini menunjukan kedua data tersebut tidak berdistribusi normal, maka alat uji korelasi yang akan dipakai adalah Spearman Rank.
3 Update: 09 December, 2018
4 Update: 09 December, 2018
4. Uji Korelasi Tujuan uji korelasi adalah adalah untuk mengetahui apakah ada hubungan antara dua variabel atau tidak? Misal nya apakah ada hubungan antara sikap terhadap kepatuhan cuci tangan pada perawat. Maka di perlukan dua variabel yaitu variabel sikap dan kepatuhan. Hasil pengukuran sikap dan kepatuhan dalam bentuk nilai namerik, sebelum dilakukan uji korelasi dilakukan dulu uji normalitas data. Asumsi peneliti terhadap sikap dan kepatuhan dinyatakan dalam hypothesis sebagai berikut? 1. H0 : Tidak ada hubungan antara sikap dan kepatuhan cuci tangan pada perawat. 2. Ha : Ada hubungan antara sikap dan kepatuhan cuci tangan pada perawat. Tingkat kepercayaan: 0,05 (5%) Dasar pengambilan keputusannya adalah dengan dasar probabilitas (sig) adalah sebagai berikut: 1. Hasil probabilitas < 0,5 (significant). 2. Hasil probabilitas > 0,5 (not significant) Jenis uji korelasi 1. Uji Korelasi dengan Pearson Product Moment, bila data yang di akan uji berdistribusi normal. 2. Uji Korelasi dengan Spearman Rank, bila data yang di akan uji tidak berdistribusi normal. 3. Uji Korelasi dengan Kendalls, sebagai alternative non parametric test.
5 Update: 09 December, 2018
5. Pearson product-moment Test Pearson product-moment correlation coefficient (Pearson’s correlation) adalah alat ukur kekuatan dan arah asosiasi dua varaibel berskala interval dimana kedua variabel tersebut berdistribusi normal dengan asumsi dimana kedua variabel tersebut: a. linear relationship (scater plot) b. Tidak ada data outliers (case wise diagnostics) c. Normality (Shapiro-Wilk test) Tabel Interpretasi arah asosiasi dua varibel berdasarkan hasil uji dengan Pearson's correlation coefficient Coefficient, r Strength of Association Positive
Negative
Kecil (Small) Sedang (Medium) Besar (Large)
-0.1 to -0.3 -0.3 to -0.5 -0.5 to -1.0
0.1 to 0.3 0.3 to 0.5 0.5 to 1.0
Kekuatan assosiasi menurut Pearson’s correlation Kekuatan asosiasi dua variabel yang diuji dengan Pearson correlation coefficient (r) bisa jadi +1 atau -1 tergantung dari hasil yang didapa apakah hubungannya positif atau negative. Nilai r antara +1 dan -1 (contohnya r = 0.8 atau -0.4) indikasi adanya arah hubungan yang bervariasi diantara garis lurus (liner), lebih mendekat kea rah nol menunjukan arah garis lurus lebih baik.
6 Update: 09 December, 2018
Identifikasi linearity pada scatterplot:
Identifikasi adanya outlier pada scaterplot:
7 Update: 09 December, 2018
Identifikasi homoscedasticity:
Pearson correlation tidak bisa mengenal adanya hubungan sebab akibat (cannot determine a causeand-effect relationship). Membaca hasil uji Pearson correlation
8 Update: 09 December, 2018
Hasil uji korelasi r -0,52 menunjukan besarnya asosiasi sebesar 52% kearah negatif, dengan signifikan probabilitas 0,065 bandingkan dengan nilai alpha ( 0,05) bila kurang dari itu maka menunjukan adanya significant association. Cara perhitungan manual Product moment Correlation Pearson analysis
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Subject A B C D E F G H I J K L M N O
𝑟𝑥𝑦 =
𝑟𝑥𝑦 =
Hasil belajar X 8.7 7.9 6.5 5.6 6.2 7.5 6.3 6.5 7.5 8.5 6.5 8.7 7.9 7.7 5.6 107.6
Y 90 74 70 40 50 74 60 60 76 80 90 80 72 70 50 1036
𝑋2
𝑌2
XY
75.69 62.41 42.25 31.36 38.44 56.25 39.69 42.25 56.25 72.25 42.25 75.69 62.41 59.29 31.36 787.84
8100 5476 4900 1600 2500 5476 3600 3600 5776 6400 8100 6400 5184 4900 2500 74512
783 584.6 455 224 310 555 378 390 570 680 585 696 568.8 539 280 7598.4
𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌) √{𝑛 ∑𝑋 2 − (∑ 𝑋)2 }{𝑛 ∑𝑌 2 − (∑ 𝑦)2 }
15(7598.4) − (107.6)(1036) √{(15 𝑥 787.84) − 107.62 }{(15 𝑥 74512) − 10362 }
=
2502.40 = 0,77 3262
9 Update: 09 December, 2018
Correlationsb X
Y
1
.767**
Pearson Correlation X Sig. (1-tailed)
.000
Pearson Correlation
.767**
Sig. (1-tailed)
.000
1
Y **. Correlation is significant at the 0.01 level (1-tailed). b. Listwise N=15
r xy=0,77 and
Pearson table (df=n15-2)= 0,4412 (alpha 0,005 one-tail)
0,77 > 0,441 Significant
10 Update: 09 December, 2018
6. Hasil uji Pearson Product Moment
Kesimpulan: 1. Tingkat kepercayaan 0,05. Hasil uji Pearson, nilai korelasi sebesar 0,868 dengan nilai probabilitas dilihat pada tulisan sig. (2tailed) sebesar 0,00 adalah signifikan. 2. Ada hubungan bermakna antara sikap dan kepatuhan cuci tangan pada perawat, dengan kata lain sikap perawat mempengaruhi kepatuhan cuci tangan pada perawat.
11 Update: 09 December, 2018
7. Spearman Rank Test Spearman rank-order correlation coefficient (Spearman’s correlation) adalah alat uji nonparametric untuk mengukur kekuatan dan arah asosiasi antara dua variabel, dimana salah satu vsriabel nya berskala ordinal. Alt uji ini umumnya digunakan bila kedua atau salah satu variabel data yang akan di uji tidak berdistribusi normal atau dengan mengikuti asumsi sebagai berikut: o
Assumsi #1: Kedua variabel data ber skala ordinal, interval atau ratio. o
Contoh variabel ber skala ordinal berjenis skala Likert (e.g., a 7-point scale from "sangat setuju" sampai "sangat tidak setujutrongly disagree").
o
Contoh ranking kategri suatu prudk yang di tawarkan: "Kurang bagus", sampai "Bagus Sekali).
o
Contoh varibel berskala interval/ratio (pengukuran IQ, pengukuran waktu tempuh, pengukuran berat badan).
o
Assumsi #2: hubungan kedua data menunjukan monotonic relationship. Bisa dilihat dari diagram Scaterplot waktu melakukan uji normnality test:
Cara perhitungan manual Spearman Rank Correlation
𝑟𝑠 = 1
6 ∑ 𝐷2 6 ∑ 𝐷2 − ( 2 )=1- 3 𝑛 𝑛 −1 𝑛
12 Update: 09 December, 2018
No
Subject
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
A B C D E F G H I J K L M N O
Hasil belajar X 8.7 7.9 6.5 5.6 6.2 7.5 6.3 6.5 7.5 8.5 6.5 8.7 7.9 7.7 5.6
Y 90 74 70 40 50 74 60 60 76 80 90 80 72 70 50
107.6
1036
Hasil belajar Subject A B C D E F G H I J K L M N O
X
Rank
Y
Rank
9 8 7 6 6 8 6 7 8 9 7 9 8 8 6 For
1 2 3 4 4 2 7 3 2 1 3 1 2 2 4 6
90 74 70 40 50 74 60 60 76 80 90 80 72 70 50
1 4 6 9 8 4 7 7 3 2 1 2 5 6 8
Subject A B C D E F G H I J K L M N O
Dif Rank X Y Rank Rank 1 1 2 4 3 6 4 9 4 8 2 4 7 7 3 7 2 3 1 2 3 1 1 2 2 5 2 6 4 8
Diff 0 -2 -3 -5 -4 -2 0 -4 -1 -1 2 -1 -3 -4 -4
Squared Diff 0 4 9 25 16 4 0 16 1 1 4 1 9 16 16 122 13
Update: 09 December, 2018
𝑟𝑠 = 1 − 𝑟𝑠 = 1 −
6 ∑ 𝐷2 𝑛(𝑛2 −1)
=1−
6𝑥122 15(152 −1)
=1−
732
=1 −
15(225−1)
732 15(224)
732 = 1 − 0,21785 = −0,782 3360
R=-0,91
Correlations
Correlation Coefficient X
Sig. (2-tailed) N
Spearman's rho Correlation Coefficient Y
Sig. (2-tailed) N
X
Y
1.000
.789**
.
.000
15
15
.789**
1.000
.000
.
15
15
**. Correlation is significant at the 0.01 level (2-tailed).
Hasil hitung=0,782=0,78=0,8 Tabel spearman menunjukan n(15)=0,446 dg alpha 0,05 0,782 > 0,446: Significant Correlation
14 Update: 09 December, 2018
15 Update: 09 December, 2018
Contoh: Apakah bagaimana hubungan antara sikap dan kepatuhan cuci tangan pada perawat? Cara melakukan uji korelasi Spearman Rank dengan SPSS: 1. Kedua data variabel berbentuk namerik (in terval atau rasio). Contoh variabel skor sikap dan skor kepatuhan. 2. Tekan analyze, pilih correlate, pilih bivariate. 3. Masukan kedua variabel data yang akan di uji pada box variables. a. Beri tanda Pearson bila data yg di uji berdistribusi normal pada pilihan correlation coefficient, tekan ok. b. Beri tanda Spearman bila data yg di uji tidak berdistribusi normal pada pilihan correlation coefficient, tekan ok. 4. Lihat hasilnya. 8. Hasil uji Spearman Rank
Tingkat kepercayaan 0,05. Hasil uji Spearman’s rho, nilai koefisensi korelasi sebesar 0,659 nilai probabilitas dilihat pada tulisan sig. (2tailed) sebesar 0,00 adalah signifikan.
16 Update: 09 December, 2018
Kesimpulan: Ada hubungan antara sikap dan kepatuhan cuci tangan pada perawat, dengan kata lain sikap perawat mempengaruhi kepatuhan perawat terhadap praktek cuci tangan.
17 Update: 09 December, 2018
Modul 11 Uji Regresi Linier Sederhana Oleh: Sobur Setiaman 1. Tujuan Setelah mempelajari modul ini, anda mampu: 1. Menjelaskan tujuan uji regresi Linier. 2. Mengidentifikasi jenis-jenis variabel: a. Variabel dependent (terikat) – Variabel Y b. Variabel independent atau prediktor (bebas) – Variabel X. 3. Menjelaskan persyaratan uji regresi linier. 4. Melakukan uji asumsi klasik: a. Uji heteroskedastisitas dengan Scatterplot. b. Uji normalitas dengan PP-plot. 5. Melakukan uji kelayakan (General fit test) dengan uji F (ANOVA) 6. Melakukan uji regresi linier dengan SPSS: a. Uji homogeinity dengan uji F (ANOVA) b. Uji significant parsial: alat ujinya Uji t. c. Koefisien korelasi (R) dan Koefisien determinant (R square) d. Persamaan model regresi linear 7. Menginterprestasikan hasil uji regresi linier. 2. Ruanglingkup 1. 2. 3. 4. 5. 6. 7.
Tujuan uji regresi linear Tahapan analisa Regresi Linier Uji Asumsi klasik Uji Liniearitas dan Heteroskedalistis Uji signifikan serentak (ANOVA test) Uji signifikan parsial (T test) Uji keefisiensi determinan
3. Tujuan Uji Regresi Linier Regresi pertama-tama dipergunakan sebagai konsep statistik pada tahun 1877 oleh Sir Francis Galton yang melakukan studi tentang “Trend analysis” atau “kecenderungan” tinggi badan anak. Hasil studi
1 Saturday, 08 December, 2018
tersebut menyimpulkan bahwa tinggi badan anak yang lahir cenderung menurun (regress) mengarah pada tinggi badan rata-rata penduduk. Analisis Regresi (regression analysis) digunakan dalam membuat perkiraan atau “prediction” besarnya hubungan sebab-akibat antara satu independent variabel (IV) sebagai Variabel Predictor yaitu variabel yang bebas (tidak dipengaruhi oleh variabel lainnya) dan dinotasikan dengan variabel X, terhadap dependent variabel (DV) sebagai variabel Respon disebut juga variabel terikat yaitu variabel yang keberadaannya dipengaruhi atau terikat oleh variabel lainnya dan dinotasikan dengan variabel Y. Untuk mempelajari hubungan-hubungan tegak lurus (linearity) antara variabel bebas dengan variabel terikat, maka regresi linier terdiri dari dua bentuk, yaitu: 1. Simple regression (Regresi tunggal) dengan cara membuat Scatter Plot, akan menggambarkan hubungan dua variabel ( X dan Y). dan menghitung nilai prediksi nilai variabel dependent 2. Multiple regression (Regresi berganda) – menghitung nilai prediksi variabel dependent 4. Tahapan Uji Regresi Linier Sederhana dengan SPSS
Prosedur analysis regresi linier dengan SPSS 1. Tujuan untuk mengukur besarnya hubungan antara varibel X dan Y. 2. Persyaratannya dimana variabel dependen: a. Berskala interval b. Berdistribusi normal dan linearity. 3. Tekan analyze, tekan regression, tekan linier. a. Masukan variabel Kepatuhan ke kotak dependent. b. Masukan variabel Sikap ke kotak independent. 4. Tekan method: enter. 5. Tekan plots. a. Masukan Histogram. 2 Saturday, 08 December, 2018
b. Masukan Normal probability plots. c. Tekan Continue. 6. Tekan Ok.
5. Uji asumsi klasik atau Estimasi Model Regresi Linear Estimasi model atau dikenal dengan uji asumsi klasik, yang dilakukan secara sekaligus dengan pengujian asumsi klasik (linieritas, korelasi, heteroskedastisitas dan normalitas) pada waktu melakukan uji regresi linier. Sebelum melakukan uji regresi linier, harus diketahui beberapa asumsi sebelum melakukan uji regresi linear yang haris diikuti: o
o
o
Assums #1: variabel yang di uji berukuran kontinyu (skala interval atau ratio). Contohnya tinggi badan dan ukuran berat badan. Assumsi #2: kedua variabel yang akan diuji memiliki linieritas pada grafik PP Plot (linear relationship). Assumsi #3: nilai residual (errors) menunjukan garis linier berdistribusi normal. Lihat histogram (superimposed normal curve) atau Normal P-P Plot.
3 Saturday, 08 December, 2018
Linieritas bisa di lihat dari diagram scatterplot. o
Assumsi #4: tidak ada data yang jauh diluar garis linear (no significant outliers).
o
Assumsi #5: data yang di uji menunjukan “homoscedasticity”, pada grafik Scatterplot yaitu data yang muncul bergerak bersama sama, lihat gambar di gambar scatterplots dibawa ini.
6. Uji Linieritas dan Heteroskedastisis dengan grafik Sebelum memberikan interpretasi pada hasil regresi, dilakukan pengujian asumsi normalitas sebagai syarat regresi: 4 Saturday, 08 December, 2018
1. Apabila berdistribusi normal maka analisis parametrik seperti analisis regresi dapat dilanjutkan, 2. Apabila tidak tidak berdistribusi normal maka digunakan statistik non parametrik untuk menguji hipotesis. 3. Pengujian normalitas ini menggunakan diagram histogram dan grafik p p-plot untuk memprediksi apakah data berdistribusi normal atau tidak.
Hasil Uji Linieritas Grafis dan ANOVA
Histogram: kurva data menunjukan sebaran merata ke kanan dan kekiri bagian membentuk kurva normal PP Plots: data menyebar secara linear. Scatterplot: data menyebar secara versama, memenuhi asumsi homoskedastisitas (homoscedascity).
5 Saturday, 08 December, 2018
7. Uji signifikan serentak atau uji homogeneity dengan Uji ANOVA (F) Uji F merupakan alat uji Goodness of Fit atau disebut uji kelayakan atau uji signifikansi, untuk pengujian hipotesis kompatibilitas, atau merupakan pengujian hipotesis dalam menentukan apakah suatu himpunan frekuensi yang diharapkan sama dengan frekuensi yang diperoleh dari suatu distribusi. (F Test used for confirmed two variable had equal variance or had homogeneity). ANOVA DENGAN SPSSb Model 1
Sum of Squares
df
Mean Square
F
Sig.
Regression
10.667
1
10.667
5.975
0.025a
Residual
32.133
18
1.785
Total
42.800
19
a. Predictors: (Constant), Skor Sikap b. Dependent Variable: Skor Kepatuh
Hasil uji ANOVA: F 5,975 P value < 0,05 Distribusi data homogeny. 8. Uji significant parsial dengan Uji t. Dalam regresi linier dimaksudkan untuk menjelaskan perilaku atau dampak variabel prediktor terhadap variabel response. Uji t yang dimaksud ini adalah uji koefisien korelasi. (To determine the Impact of variable factor to the variable response). Coefficientsa Model
Unstandardized Coefficients B (Constant)a
Standardized Coefficients
Std. Error
138.932
23.448
-.580
.192
t
Sig.
Beta 5.925
.000
-3.018
.007
1 Wtb
-.580
a. Dependent Variable: Ht
Hasi uji t: t -3,018 P Value < 0,007. Significant. 9. Perbedaan Koefisien korelasi (R) and Determinant (R Square) Koefisien korelasi (R) adalah alat statistik yang digunakan untuk memprediksi derajat korelasi antara variabel prediktor dengan variabel response. Hasil uji korelasi di bandingkan dengan tabel derajat koefisien korelasi atau dilihat nilai p value. 6 Saturday, 08 December, 2018
Koefisien determinan (r2 atau r square) adalah alat statistik yang digunakan untuk memprediksi besarnya korelasi antara variabel prediktor dengan variabel respon, hasilnya nya di kali 100%, maka akan diketahui berapa persen pengaruhi variabel X terhadap variabel Y. Tabel tingkatan Koefisien Korelasi berikut: a. b. c. d.
0,00 - 0,199 = sangat rendah 0,20 - 0,399 = rendah 0,40 - 0,599 = sedang 0,60 - 0,799 = kuat e. 0,80 - 1,000 = sangat kuat
X 100 110 110 120 120 120 130 130 140 100 110 110 120 120 120 130 130 140 130 140 2430
Y 80 70 60 80 90 70 70 60 50 80 70 60 80 90 70 70 60 50 60 50 1370 𝑅=
𝑅𝑥𝑦 =
X2 10000 12100 12100 14400 14400 14400 16900 16900 19600 10000 12100 12100 14400 14400 14400 16900 16900 19600 16900 19600 298100
XY 8000 7700 6600 9600 10800 8400 9100 7800 7000 8000 7700 6600 9600 10800 8400 9100 7800 7000 7800 7000 164800
𝑛(∑ 𝑋𝑌) − (∑ 𝑋)(∑ 𝑌) √{𝑛 ∑𝑋 2 − (∑ 𝑋)2 }{𝑛 ∑𝑌 2 − (∑ 𝑦)2 }
20(164800) − (2430)(1376) √{(20 𝑥 298100) − 24302 }{(20 𝑥 96700) − 13702 }
7 Saturday, 08 December, 2018
Y2 6400 4900 3600 6400 8100 4900 4900 3600 2500 6400 4900 3600 6400 8100 4900 4900 3600 2500 3600 2500 96700
= 0,580
Model Summary Model 1
R
R Square
Adjusted R Square
Std. Error of the Estimate
.580a
.336
.299
10.262
a. Predictors: (Constant), Wt
Hasil uji korelasi: R (0,580) atau 58%: korelasi variabel x terhadap y sangat kuat. R Square (0,336) atau 33,6% variabel y dipengaruhi oleh variabel x, sisanya dipengaruhi oleh variabel lain. 10. Persamaan Model Regresi Linear Persamaan model regresi linier untuk memprediksi variabel respons, dinyatakan dalam rumusan sebagai berikut:
Ŷ=a+
Keterangan: Y = Variabel dependen b X X = Variabel-variabel independen a= konstanta Y intercept b = konstanta-prediktor
Persamaan model regresi sebaiknya dilakukan di akhir analisis karena interpretasi terhadap persamaan regresi akan lebih akurat jika telah diketahui signifikansinya.
Ŷ=a+bX
maka a= Ŷ – bx b
( x x) y y x X
2
Nilai b nol b : Slope null Y Y = a + bX
8 Saturday, 08 December, 2018
Nilai b dapat positif (+) dapat negartif (-) b : Slope positif Y
b : Slope negatif Y
Y = a + bX
Y = a - bX
Contoh: bila Slope y = 3 + 2 x maka: If x = 0, then Y = 3+2 (0) Y=3 so, x,y=(0,3)
If x=1 then Y = 3+2(1), Y= 3+2 = 5 x,y=(1,5)
5
3
0
1
Sebagai contoh: Hubungan Sikap sebagai variable X dengan kepatuhan sebagai variabel Y. X 100 110 110 120 120 120 130 130 140 100 110 110 120 120
Y 80 70 60 80 90 70 70 60 50 80 70 60 80 90
x-mean -21.5 -11.5 -11.5 -1.5 -1.5 -1.5 8.5 8.5 18.5 -21.5 -11.5 -11.5 -1.5 -1.5
Y-mean 11.5 1.5 -8.5 11.5 21.5 1.5 1.5 -8.5 -18.5 11.5 1.5 -8.5 11.5 21.5
(X-mean) x (Y-mean) -247.25 -17.25 97.75 -17.25 -32.25 -2.25 12.75 -72.25 -342.25 -247.25 -17.25 97.75 -17.25 -32.25 9
Saturday, 08 December, 2018
(xmean)2 462.25 132.25 132.25 2.25 2.25 2.25 72.25 72.25 342.25 462.25 132.25 132.25 2.25 2.25
Y=a+bx a = Y-bx b = -1655/2855=-0.580 x mean=121.5 bx = -0.580 x 121.5
120 130 130 140 130 140 2430 121.5
70 70 60 50 60 50 1370 68.5
Mean
Mean
-1.5 8.5 8.5 18.5 8.5 18.5
1.5 1.5 -8.5 -18.5 -8.5 -18.5
-2.25 12.75 -72.25 -342.25 -72.25 -342.25 -1655
2.25 72.25 72.25 342.25 72.25 342.25 2855.00
bx = 70.432 a = y-bx y mean = 68.5 a=68.5-70.432=138.932
Y intercept=138.93 + (-0.580) x
Coefficientsa Model
Unstandardized Coefficients B (Constant)a
Std. Error
138.932
23.448
-.580
.192
Standardized Coefficients
t
Sig.
Beta 5.925
.000
-3.018
.007
1 Wtb
-.580
a. Dependent Variable: Ht
Dijelaskan bahwa hubungan persamaan Y = a + b(x) diatas, dimana 'a' sebagai “Y-intercept” dan 'b' sebagai garis persamaan dari konstanta prediktor. Dengan persamaan garis diatas bisa kita prediksi berat badan berdasarkan persamaan garis diatas. Diketahui nilai intercept 138.932 dan nilai garis persamaan -.580, bila tinggi badan 150 inch sebagai variabel X, maka berat badan (Lbs) diprediksi sebesar 51,932 lbs.
Rata-rata nilai sikap= 121.5 Rata-rata nilai kepatuhan= 68.5 a= 138.932 b= -0.580 X= Sikap = bila nilai sikap = 150 berapa nilai Y? (Y) Prediksi nilai kepatuhan = 138.932 + -0.580 x (150) =138.932+(-87)=51.932.
10 Saturday, 08 December, 2018
Persamaan model regresi linear tidak aplikatif pada variabel data yang berasal dari data berskala Likert karena Skala Likert pada umumnya hanya memiliki 5 tingkatan tidak ada jawaban nol. Pergeseran hanya di lima tingkatan. Skala Likert terhadap sikap yaitu:
Skala Likert terhadap Kepatuhan
1. Sangat tidak setuju
1. Tidak pernah
2. Tidak setuju
2. Pernah
3. Netral
3. Kadang
4. Setuju
4. Sering kali
5. Sangat Setuju
5. Selalu
11 Saturday, 08 December, 2018
12 Saturday, 08 December, 2018
Daftar pustaka: Field Andy. 2013. Discovering Statistics Using SPSS. 3rd Ed. SAGE Publications Ltd, 1 Oliver’s Yard, 55 City Road, London EC1Y 1SP. Leech NL, Karen C. Barrett KC, and Morgan GA, 2005, SPSS for Intermediate Statistics: Use and Interpretation. 2nd Ed. Lawrence Erlbaum Associates, Publisher, Mahwah, New Jersey London. Stevens, J. (2002). Applied multivariate statistics for the social sciences. Mahway, NJ: Lawrence Erlbaum Associates. Agresti, A. & Franklin, C. (2014). Statistics. The Art & Science of Learning from Data. Essex: Pearson Education Limited. Hair, J.F., Black, W.C., Babin, B.J. et al (2006). Multivariate Data Analysis. New Jersey: Pearson Prentice Hall. Berry, W.D. (1993). Understanding Regression Assumptions. Newbury Park, CA: Sage. Howell, D.C. (2002). Statistical Methods for Psychology (5th ed.). Pacific Grove CA: Duxbury. Nicol, A.M. & Pexman, P.M. (2010). Presenting Your Findings. A Practical Guide for Creating Tables. Washington: APA.
13 Saturday, 08 December, 2018
Modul 12 Uji Regresi Logistik Sederhana (Studi kasus pengaruh sikap terhadap tingkat kepatuhan cuci tangan pada perawat) Oleh Sobur Setiaman, RGN 1. Tujuan Setelah mempelajari bab ini anda dapat: 1. 2. 3. 4. 5.
Menjelaskan tujuan uji regresi logistik. Mejelaskan teori probabilitas dan Odds Ratio. Menjelaskan persyaratan melakukan uji regresi logistik. Melakukan uji regresi logistik dengan SPSS Menjelaskan hasil uji regresi logistik.
2. Ruang lingkup 1. 2. 3. 4.
Melakukan uji konturksi model Uji predictor Uji model fit Melakukan prosedur uji logistik dengan SPSS
3. Pendahuluan Analisa regresi digunakan untuk menentukan sebab akibat antara satu variabel dengan variabel lainya. Variabel X atau disebut juga variabel independent sebagai variabel predictor, dan variabel Y atau disebut juga variabel dependent sebagai variabel response. Ada dua jenis analisa regresi yaitu regresi linier dan regreso logistik biner. Regresi logistik biner telah banyak digunakan secara luas didunia kesehatan dan kedokteran sebagai salah satu alat analisis pemodelan ketika variabel responnya (Y) bersifat biner (jenis kategori dengan hanya dua jawabannya). Misalnya dampak pengobatan Panadol tablet dan Ibufropen tablet terhadap penurunan sakit. Tindakan pemberian Panadol tablet sebagi X1 dan dan pemberian Ibufropen tablet sebagai X2 dampaknya terhadap penurunan sakit ( ya dan tidak). 1 Sunday, 09 December, 2018
Istilah biner merujuk pada penggunaan dua buah bilangan 0 dan 1 untuk menggantikan dua kategori pada variabel respon sebagai variabel dependent (DV). Contoh variabel respon biner yang dimaksud pada variable sikap (positif – negatif), kepatuhan (patuh – tidak patuh), tingkat Kesakitan (ya – tidak), dan masih banyak lagi. Regresi logistik merupakan regresi non linier, karena data yang di uji bersipat biner (kategorikal biner) yang tidak memiliki karakterisitik linier dan hasil akhir uji logistic regression menggunakan kode 0 atau 1, dimana angka 1 mengindikasinya adanya probabilitas, sedangkan angka 0 mengindikasikan tidak adanya probabilitas. Jadi kedua variabel yang akan di uji harus memiliki dua kategori biner. Model log-linier merupakan pengembangan dari analisis tabulasi silang dua arah atau lebih dimana terdapat hubungan antara dua atau lebih variabel kategori yang dianalisis menggunakan logaritma alami terhadap setiap isi sel dalam tabel. Seperti analisis regresi pada umumnya, metode ini menggunakan beberapa variabel prediktor, baik numerik maupun kategori. Misalnya, probabilitas menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa tubuh. Regresi logistik juga digunakan secara luas pada bidang kedokteran dan ilmu sosial, maupun pemasaran seperti prediksi kecenderungan pelanggan untuk membeli suatu produk atau berhenti berlangganan. Regresi logistik multinomial (nominal dan ordinal) merupakan salah satu pendekatan pemodelan yang dapat digunakan untuk mendeskripsikan hubungan beberapa variabel kovariat X dengan suatu variabel respon multinomial (polytomous). Model regresi logistik nominal digunakan ketika tidak ada urutan di antara kategori respon ordinal.
2 Sunday, 09 December, 2018
Gambar 1.1 regresi logistik
Ln(
𝑃 1−𝑃
) = 𝑎 + 𝑏𝑋
Ln=Logaritma normal, P=probabilitas dan a+bx sebagai OLS.
Probabilitas/peluang Probabilitas / peluang suatu kejadian adalah angka yang menunjukkan kemungkinan terjadinya suatu kejadian. Nilainya di antara 0 dan 1. Kejadian yang mempunyai nilai probabilitas 1 adalah kejadian yang pasti terjadi atau sesuatu yang telah terjadi. Tabel 1 Kategori Sikap * Kategori Kepatuhan Crosstabulation
Count
Kategori Kepatuhan
Total
Tidak Patuh
Patuh
Negatif
2
6
8
Positif
2
10
12
4
16
20
Kategori Sikap Total
Contohnya: Jumlah sample ada 20 orang dimana yang patuh cuci tangan ada 16, sedangkan yang tidak patuh cuci tangan ada 4 orang, maka berapa probabilitas nya? 𝑃𝑟𝑜𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑘𝑎𝑠𝑢𝑠
Formula Probabilitas: P=(𝑃𝑟𝑜𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑡𝑖𝑑𝑎𝑘 𝑘𝑜𝑛𝑡𝑟𝑜𝑙)
Probabilitas patuh cuci tangan
Probabilitas tidak patuh cuci tangan = 1-0,8 =0,2
=16/20 = 0,8
3 Sunday, 09 December, 2018
Odds dan Odds Ratio Maksud perkataan Odds adalah kemungkinan akan berlaku/terjadi. Odds Ratio (OR) adalah ukuran asosiasi paparan (faktor risiko) dengan kejadian atau peristiwa; dihitung dari angka kejadian pada kelompok berisiko (terpapar faktor risiko) dibanding angka kejadian pada kelompok yang tidak berisiko (tidak terpapar faktor risiko). Manfaat Odds ratio (OR) hanya boleh dilakukan pada penelitian dengan pendekatan Case Control. Sedangkan untuk penelitian dengan pendekatan kohort, maka disebut Relative Risk. Ada sedikit perbedaan antara OR dan Relatif Risk (RR), namun dalam bahasan modul ini, kita hanya fokus pada OR. OR di dalam Program SPSS, sering dilambangkan dengan simbol “Exp (B)”. Nanti kita akan lihat seperti apa itu simbol “Exp (B)”. Tabel 1 Kategori Sikap * Kategori Kepatuhan Crosstabulation
Count
Kategori Kepatuhan
Total
Tidak Patuh
Patuh
Negatif
2
6
8
Positif
2
10
12
4
16
20
Kategori Sikap Total
Berapa nilai Odds ratio sikap terhadap kepatuhan cuci tangan di hitung berdasarkan rumus bila jumlah perawat yang patuh dan memiliki sikap positif ada 10 orang sedang yang patuh memiliki sikap negatif ada 4 orang, maka Odd Ratio dihitung sebagai berikut:
Probabilitas Patuh
Probabilitas Tidak Patuh = 1-0,623 = 0,375
Maka Odds Ratio kepatuhan cuci tangan = 0,375= 1,667
=10 : 16 = 0,625 0,625
𝑷
Model probabilitas =(𝟏−𝑷) 4 Sunday, 09 December, 2018
Pada hasil penelitian menunjukan patuh terhadap cuci tangan ada 16 orang dimana 10 orang karena memiliki sikap positif dan 6 orang bersikap negatif, maka model odds ratio digunakan untuk memprediksi dampak sikap terhadap kepatuhan cuci tangan dihitung maka dengan menggunakan formula model probabilitas ini. Tabel 1 Kategori Sikap * Kategori Kepatuhan Crosstabulation
Count
Kategori Kepatuhan
Total
Tidak Patuh
Patuh
Negatif
2
6
8
Positif
2
10
12
4
16
20
Kategori Sikap Total
Odds ratio sikap positif pada kepatuhan nilainya adalah 10 berapa P dan OR? 10
Model Probabilitas: P= 16=0,625
Model OR= (1−P)= (1−0,625) = 0,375 =1,667
P
0,625
0,625
OR hasil perhitungan dengan SPSS: Variables in the Equation
Step 1a
B
S.E.
Wald
df
Sig.
Exp(B)
Kategori Sikap
0.511
1.125
0.206
1
.650
1.667
Constant
1.099
0.816
1.810
1
.178
3
a. Variable(s) entered on step 1: KSikap.
OR Sikap =Exp(B)= 1,667 artinya perawat yang memiliki sikap positif akan patuh terhadap cuci tangan sebesar 1,7 kali dibandingkan dengan yang memiliki sikap negatif.
Persamaan Logistik regresi dengan SPSS
Nilai “constant” digunakan symbol “a”, dan nilai “predictor” dengan symbol “b” .
Variable jenis Kepatuhan cuci-tangan (x) kita sebut 0 tidak patuh dan 1 patuh.
Persamaan logistik diambil berdasarkan hasil uji Wald : = a+bx = 1,099 + 0,511x 5
Sunday, 09 December, 2018
Bila sikap negatif x = 0 dan bila sikap positif x = 1 maka kita bisa melakukan persamaan regresi sebagai berikut: Bila x=0 yang bersikap negatif, maka = a+bx = 1,099 + 0,511 (0) =1,099
Bila x=1 yang bersikap positif, maka
= a+bx = 1,099 + 0,511 (1) =1,610
Asumsi sebelum melakukan uji regresi logistik: Assumsi #1: (DV) dependent variable berukuran skala nominal dichotomous. Misalnya jenis kelamin: laki-laki dan perempuan. Status kesehatan: sakit dan sehat. 2. Assumsi #2: (IV) independent variable sebagai variable predictor memiliki dua atau 1.
lebih variabel, baik berskala continuous (i.e., an interval or ratio variable) atau categorical (ordinal atau nominal variable). Assumsi #3: independence of observations. 4. Assumsi #4: adanya linear relationship antara independent variables dengan dependent variable. Gunakan uji linier ini dengan Box-Tidwell (1962) procedure to test 3.
for linearity. 4. Tahapan uji regresi logistik 1. Uji kontruksi model (goodness for fit to test)
Layak bila P value < 0.05.
Alat ujinya Omnibus overall test digunakan untuk menguji permodelan variabel yang akan diuji, hasil dinyatakan dengan chi kuadrat dan P value bila < 0,05 menunjukan signifikan dan fit untuk dilakukan uji Logistik Regresi.
Pada -2LL model step 1 hasilnya bila dibandingkan dengan -2LL pra-model step 0 dan tidak terjadi penambahan maka dianggap model ini fit untuk dilakukan uji logistik regresi. (Uji F pada regresi linier).
6 Sunday, 09 December, 2018
2. Uji Prediktor Tujuan uji prekditor adalah untuk melihat berapa persen pengaruhnysa terhadap varibel response. a. Alat ujinya Nagel kerke R2 digunakan untuk mengetahui seberapa besar varian hubungan variabel predictor terhadap variabel response. b. Nilai dinyatakan dengan prosentase. c. Contoh bila hasil uji Nagel kerke R2 menunjukan 0.159 artinya, variabel pediktor mempengaruhi variabel response sebesar 15,9% sisanya dipengaruhi oleh variabel lain.
3. Uji model fit Tujuanya uji model fit adalah untuk mengetahui ada tidaknya keadaan multikolinearitas.
Alat ujinya Hosmer and Lemeshow.
Hasil uji dalam bentuk khi-kuadrat Pearson, bila p value < 0,05 menunjukan terdapat multikolinearitas.
Contoh Hosmer and Lemeshow test menunjukan P=0,792 (P>0,05) ini menunjukan tidak adanya multikolinearitas.
4. Uji signifikansi parsial Tujuan Uji parsial adalah digunakan untuk menguji pengaruh prediktor secara individual. 7 Sunday, 09 December, 2018
Alat ujinya adalah Uji Wald (uji t pada regresi linier).
Bila p value <0,05 menunjukan signifikan.
Varibabel prediktor yang tidak layak (not significant), dikeluarkan sebelum dilakukan uji signifikan parameter serentak.
Dengan uji Wald kita bisa menyaring variabel predictor mana saja yang mempengaruhi variabel respons. Variabel yang tidak significant bisa di keluarkan untuk di lakukan uji signifikan serentak.
Contohnya: Hasil Uji Wald pengaruh sikap terhadap kepatuhan sebesar 3,80 dg p value <0,05 (significant)
Asumsi: Harapan kepatuhan cuci tangan dipengaruhi oleh sikap positif. Contoh lainnya: Variabel independent
Variabel dependent
(skala Nominal)
(Skala Nominal)
Tingkat Kepatuhan Tingkap Sikap cuci tangan
8 Sunday, 09 December, 2018
5. Prosedur uji logistik regresi sederhana dengan SPSS 1. Tujuan: menganalis hubungan variabel dependent dengan variabel predictor yang berbentuk kategorik dengan multiple independent (kategorik atau namerik). 2. Pilih dan tekan Analyze > Regression > Binary Logistic ... 3. Masukan dependent variable, Tingkat Kepatuhan , kedalam box Dependent 4. Masukan independent variables, Kategori ikap kedalam box Covariates 5. Tekan
. Akan muncul transaksi Logistic Regression: Define Categorical
Variables. 6. Masukan independent, yang berkarakter kategorik:, sikap dari box Covariates: kedalam box Categorical Covariates
7. Pada aera –Change Contrast– , rubah Reference Category: dari Last option ke First option. Lalu tekan Regression.
, dan tekan
8. Tekan
. Maka akan kembali ke dialog box Logistic
akan muncul dialog box Logistic Regression: Options:
9. Pada –Statistics and Plots– area di centang: a. Classification plots, b. Hosmer-Lemeshow goodness-of-fit, c. Casewise listing of residuals, d. CI for exp(B): 95%. e. 10. Tekan
Pada area –Display– centang At last step. , maka akan kembali ke dialog Logistic Regression lalu tekan
.
Lihat hasil di output.
9 Sunday, 09 December, 2018
Cara membaca output hasil uji:
10 Sunday, 09 December, 2018
11 Sunday, 09 December, 2018
6. Interpretasi hasil olahan Uji Logistik Regresi dengan SPSS 1. Deskriptif 2. Uji signifikansi serentak: a. Uji Omnibus R2 (3,79) dF (1) P value (0,51) b. Uji Nagelkerke R2 (5,1%) pengaruhnya kecil sekali. c. (Uji Hosmer and Lemeshow) (p<0,05) terdapat multikolinearitas. 3. Uji signifikansi parsial (Uji Wald) (P<0,05) 4. Persamaan logistik diambil berdasarkan hasil uji Wald. 𝑦
Persamaan Logistik Regrsi =Ln(1−𝑦)=b0+b1x 𝑦 = 1,253 + −0,943 𝑥
5. Odds Ratio Sikap=Exp(B) Sikap=0,39=39%
7. Kesimpulan persaamaan logistik regresi Bila variabel sikap (x) yang terdiri dari sikap positif dengan nilai 1 dan sikap negatif dengan nilai 0 maka prediksi kepatuhan disimpulkan sebagai berikut: 12 Sunday, 09 December, 2018
Bila x=0 maka prediksi kepatuhan =1,253 + -0,943 (0) = 1,253 Bila x=1 maka prediksi kepatuhan =1,253 + -0,943 (1) = 2,196
Sumber bacaan: Field Andy. 2009. Discovering Statistics Using SPSS. 3rd Ed. SAGE Publications Ltd, 1 Oliver’s Yard, 55 City Road, London EC1Y 1SP. Leech NL, Karen C. Barrett KC, and Morgan GA, 2005, SPSS for Intermediate Statistics: Use and Interpretation. 2nd Ed. Lawrence Erlbaum Associates, Publisher, Mahwah, New Jersey London.
13 Sunday, 09 December, 2018
1
Modul 13 MULTIVARIAT REGRESI ANALISIS Modul 13.A REGRESI LINEAR GANDA DENGAN SPSS Oleh: Sobur Setiaman
1.1 Tujuan Setelah mempelajari modul ini, diharapkan anda bisa memahmi dan melakukan uji regresi linear ganda dengan SPSS dan uji regresi logistic ganda dengan SPSS. 1.2 Ruang lingkup Uji Regresi Linear Ganda: 1. Memahami SEM 2. Uji factor 3. Uji regresi linier 4. Uji model klasik 5. Uji lineraritas dan heteroskedastisis 6. Uji multicollinearity 7. Uji Durbin Watson
Uji Regresi Logkstik Ganda: 1. Uji konstruk model 2. Uji predictor 3. Uji model fit 4. Uji signifikan parsial 5. Uji regresi logistik
1.3 Pengantar
Pra syarat: telah memahami konsep dan procedur analisi regresi linear sederhana. Kegunaan Analisis Regresi Berganda: Analisis Regresi Berganda digunakan untuk mengukur besarnya pengaruh antara lebih dari satu variabel prediktor (variabel bebas) terhadap variabel terikat. Rumus persamaan regresi ganda: Y = a + b1X1+b2X2+…+bnXn Y = variabel terikat a = konstanta b1,b2 = koefisien regresi X1, X2 = variabel bebas sebagai variabel predictor.
Sunday, 09 December, 2018
2
1.4 Struktural Equation Model (SEM) dengan SPSS Structural equation modeling atau dikenal dengan istilah ‘causal modeling’ or ‘analysis of covariance structures’. SEM adalah suatu teknik modeling statistik yang bersifat sangat crosssectional, untuk melihat hubungan dan kekuatan hubungan antar variabel serta memprediksi besarnya hubungan antar variabel tersebut. SEM adalah penggabungan antara dua konsep statistika, yaitu konsep analisis faktor yang masuk pada model pengukuran (measurement model) dan konsep regresi melalui model struktural (structural model) (Noor J., 2011. 1 Di dalam sebuah skor hasil pengukuran (skor tampak), didalamnya terkandung dua komponen, yaitu a) komponen yang menjelaskan atribut yang diukur (true) dan b) komponen yang terkait dengan atribut lain yang tidak diukur (eror), dengan kata lain, di dalam skor akan tampak didalamnya komponen yang menunjukkan atribut ukur (True score) dan eror, sedangkan pada model struktural akan menggambarkan hubungan antara item dengan konstrak yang diukur. 2
Error 1
Item 1
Error 2
Item 2
Budaya K3
Error 3
Item 3
Error
Indikator (empirik)
Construct un-observed (latent)
Gambar 2.5 Contoh model pengukuran Dalam tehnik SEM terdapat dua jenis variabel yaitu (1) variabel latent dan (2) variabel empirik: 1.
Variabel latent merupakan konstruk variabel yang tidak terukur
(un-observed). Dinamakan tidak terukur karena tidak ada data empirik yang menunjukkan besarnya konstrak ini. Konstrak laten dapat berupa:
1
Noor J., (2011), Metoda Penelitian. Edisi pertama. Jakarta: KencanaPrenada Media Group.
2
Widhiarso, Wahyu. (2009). Praktek Model Persamaan Struktural (SEM) Melalui Program Amos. Fakultas Psikologi UGM. Yokgyakarta
Sunday, 09 December, 2018
3
a. Common factor yang menunjukkan domain yang diukur oleh seperangkat indikator/item. b. Unique factor (eror) yang merupakan eror pengukuran. c. Residual factor yaitu faktor-faktor lain yang mempengaruhi variabel dependen selain variabel independen. Konstrak variabel laten ini disimbolkan dengan gambar lingkaran. Terdapat dua jenis variabel laten yaitu eksogen dan endogen. 2. Indikator atau Variabel empirik merupakan konstrak variabel yang terukur (observed), dinamakan terukur karena kita dapat mengetahui besarnya konstrak ini secara empirik, misalnya dari item tunggal atau skor total item-item hasil pengukuran. Konstrak empirik disimbolkan dengan gambar kotak. Cara melihat causal model pada multivariat analisis, umumnya dilakukan dengan cara: 1. Menentukan Path diagram dan Path analysis pada program Lisrel atau AMOS. 2. Menentukan Confirmatory factor analysis (CFA) pada program SPSS. Sedangkan SEM dg SPSS dilakukan dengan tiga tahap: 1. Pertama, dilakukan analysis factor dengan CFA. 2. Kedua, dilakukan uji regresi linear antar variabel prediktor. 3. Ketiga, dilakukan uji regresi linear antara Variabel prediktor dengan Variabel respons.
1.5 Analysis Faktor Analisis faktor (factor analysis) adalah salah satu keluarga analisis multivariat yang bertujuan untuk meringkas atau mereduksi variabel amatan secara keseluruhan menjadi beberapa variable atau dimensi baru, akan tetapi variable atau dimensi baru yang terbentuk tetap mampu merepresentasikan variable utama. Dalam analisis factor, dikenal dua pendekatan utama, yaitu (EFA) exploratory factor analysis dan (CFA) confirmatory factor analysis. a. Exploratory Factor Analysis Yaitu suatu teknik analisis faktor di mana beberapa faktor yang akan terbentuk berupa variabel laten yang belum dapat ditentukan sebelum analisis dilakukan.
Sunday, 09 December, 2018
4
Analisis faktor eksploratori merupakan suatu teknik untuk mereduksi data dari variabel asal atau variabel awal menjadi variabel baru atau faktor yang jumlahnya lebih kecil dari pada variabel awal. Proses analisis faktor eksploratori mencoba untuk menemukan hubungan antarvariabel baru atau faktor yang terbentuk yang saling independen sesamanya, sehingga bisa dibuat satu atau beberapa kumpulan variabel laten atau faktor yang lebih sedikit dari jumlah variabel awal yang bebas atau tidak berkorelasi sesamanya. Jadi antar faktor yang terbentuk tidak berkorelasi sesamanya. Istilah lain dari EFA adalah PCA: principle component analysis.
b. Confirmatory Factor Analysis Yaitu suatu teknik analisis faktor di mana secara apriori berdasarkan teori dan konsep yang sudah diketahui dipahami atau ditentukan sebelumnya, maka dibuat sejumlah faktor yang akan dibentuk, serta variabel apa saja yang termasuk ke dalam masing-masing faktor yang dibentuk dan sudah pasti tujuannya. Pembentukan faktor konfirmatori (CFA) secara sengaja berdasarkan teori dan konsep, dalam upaya untuk mendapatkan variabel baru atau faktor yang mewakili beberapa item atau subvariabel, yang merupakan variabel teramati atau observerb variable. Tujuan CFA adalah: pertama untuk mengidentifikasi adanya hubungan antar variabel dengan melakukan uji korelasi dan menguji validitas dan reliabilitas instrument kuesioner. c. Basic Factor Analysis Concepts 1. Factor Matrix- matrik yang berisi loading factor dari faktor yang terekstrasi. 2. KMO measure of sampling adequacy - indeks yang digunakan untuk menguji kesesuaian analisis faktor, nilainya minimal 0,5. 3. Communality-besarnya varian variabel yang disaring dengan variabel lainnya. 4. Eigenvalue -total variance yang dapat dijelaskan masing-masing faktor. 5. Factor loadings–korelasi antara faktor dan variabel. 6. Residuals - perbedaan antara korelasi observasi dan korelasi hasil estimasi dari matrik faktor. Jadi Factor analysis: dapat digunakan untuk memprediksi suatu variabel, dan mengetahui hubungan dan kekuatan hubungan variabel-variabel. d. Tahapan uji factor analysis 1. Formulasi Problem (Problem Formulation) a. Apa tujuan penelitian ?
Sunday, 09 December, 2018
5
2.
3. 4.
5.
b. Apa jumlah observasi mencukupi (rule of thumb: paling sedikit 4 -5 observasi untuk setiap variabel, minimal 100 sampel). Lakukan CFA untuk meliat Matrik Korelasi: a. Matrik ini menunjukkan hubungan antara variabel. b. Nilai korelasi yang tinggi atau signifikan menunjukkan bahwa kedua variabel tersebut berhubungan erat. (minimal 0.3, pada level of significant 95%) Uji kesesuaian analisis factor dengan KMO measure of sampling adequacy (minimal 0.5) Mengekstraksi Faktor (Extracting Factors): a. Melihat Eigenvalue lebih besar atau sama dengan dari 1.0. b. Diagram scater Merotasi faktor (Rotating Factors) a. Orthogonal rotation dengan varimax rotation, yang mana meminimalkan jumlah variabel dengan loading faktor yang besar. b. Oblique rotation: bilamana variabel berkorelasi tinggi dengan variabel lainnya
Contoh: Tujuan penelitian: Seorang Kepala Perawat ingin mengetahui apakah Sikap, Pengawasan, dan Motivasi berpengaruh terhadap kepatuhan cuci tangan pada staff perawat? Ukuran apa yang diperlukan untuk mengetahui hal tersebut diatas? 1. Ukuran sikap cuci tangan. 2. Ukuran pengawasan cuci tangan. 3. Ukuran motivasi cuci tangan. 4. Ukuran kepatuhan cuci tangan. Hipotesis: Ho : 1 = 2 = 3 = 0, Sikap, Pengawasan, dan motivasi tidak berpengaruh signifikan terhadap kepatuhan cuci tangan pada staff perawat. Ha : 1 2 2 0 Sikap, Pengawasan, dan motivasi berpengaruh signifikan terhadap kepatuhan cuci tangan pada staff perawat. X1=Sikap, X2=Pengawasan dan X3=Motivasi , Y=Kepatuhan Diagram jalur: X1: Sikap
X3: Motivasi
X2: Pengawasan
Sunday, 09 December, 2018
Y: Kepatuhan
6
Dari diagram jalur diatas, kita harus melihat hasil uji matrix korelasi antara X1, X2 dan X3 terhadap Y. e. Prosedur faktor analysis dengan SPSS 1. Tekan analyze, Dimension reduction, Factor. 2. Masukan keempat variabel tersebut. 3. Tekan Descriptives: a. Centang Initial Solution b. KMO and Bartletts Test Sphericity. Continue 4. Tekan Extraction: centang Correlation matrix, Continue. 5. Tekan Rotation: centang Varimax. Continue 6. Tekan Ok
f. Hasil faktor analysis dengan SPSS
Sunday, 09 December, 2018
7
g. Hasil uji Correlation Matrix
X1: Sikap r 0.550 r 0.453 r 0.660
X3: Motivasi
r 0.564
Y: Kepatuhan
r 0.589
X2: Pengawasan
r 0.503
Hasil: 1. Korelasi Sikap terhadap kepatuhan 66%. Korelasi pengawasan terhadap kepatuhan 50,3% dan kroelasi motivasi terhadap kepatuhan 56,4%. Ketiga variabel tersebut reliabel diatas 50%. 2. Matrix correlation antar variabel > 0,3 Uji KMO >0,744 Fit untuk dilakukan uji Regresi linear.
1.6 Prosedur Uji Regresi Linear
Sunday, 09 December, 2018
8
a. Analisis Regresi Model
1. Nilai R ( 0,655) menunjukan nilai absolute besarnya correlation coefficient. Ini menunjukan bahwa bahwa besarnya pengaruh motivasi, sikap dan pengawasan terhadap kepatuhan sebesar 65,5% sisanya (100%-65,5%=34,5%) dipengarhui oleh variabel lain yang tidak teramati. 2. Nilai R2 (0,429) menunjukan nilai proporsional variasi. 3. Adj R2 (0,391) menunjukan nilai R2 yang sudah di sesuaikan.
b. Analysis Fit model
Hasil: Fit model dilihat dari hasi uji ANOVA, hasil menunjukan nilai F (11,499) dengan nilai sig. 0,000 menunjukan model signifikan. Model bisa dilakukan uji regresi. c. Analysis Regresi
Sunday, 09 December, 2018
9
Hasil: 1. 2. 3. 4.
Nilai constant atau Y-intercept sebesar 10,323 Nilai slope Sikap 0,708. Nilai slope Pengawasan 0,185 Nilai slope motivasi 0,928.
Uji persamaan: Y = a + b1X1+b2X2+…+bnXn 1. 2. 3. 4. 5.
Nilai constant (Y-intercept) a= 10,323 Konstanta Sikap b1= 0,708 Konstanta Pengawasan b2= 0,185 Konstanta motivasi b3=0,928 Y: nilai Dependent (Variabel terikat) yaitu kepatuhan. Y = 10,323 + 0,708x1 + 0,185x2 + 0,928x3
Path diagram dengan hasil uji Regresi Linear untuk melihat signifikansi adalah sebagai berikut:
d. Path diagram X1: Sikap Sig. 0.026
X3: Motivasi
Sig. 0.009 Sig. 0.739
X2: Pengawasan
Sunday, 09 December, 2018
Y: Kepatuhan
10
Dari kausal model pada diagram di atas dapat diketahui: 1. Korelasi koefisien antara variabel sikap terhadap kepatuhan menunjukan P value < 0,05. Korelasi significant. 2. Korelasi koefisien antara variabel motivasi terhadap kepatuhan menunjukan P value <0,05. Korelasi significant. 3. Korelasi koefisien antara variabel pengawasan terhadap kepatuhan menunjukan P value >0,05. Korelasi tidak significant. Kesimpulan:
Sikap dan motivasi memiliki korelasi tinggi terhadap kepatuhan cuci tangan dan significant. Pengawasan memiliki korelasi rendah terhadap kepatuhan cuci tangan, dan tidak significant.
Hipotesis Ho : 1 = 2 = 3 = 0, Sikap, Pengawasan, dan motivasi tidak berpengaruh signifikan terhadap kepatuhan cuci tangan pada staff perawat. Ho : 1 = 2 = 3 = 0, Sikap, Pengawasan, dan motivasi berpengaruh signifikan terhadap kepatuhan cuci tangan pada staff perawat
Kesimpulan Sikap dan motivasi tidak berpengaruh terhadap kepatuhan cuci tangan pada staff perawat. Pengawasan berpengaruh signifikan terhadap kepatuhan cuci tangan pada staff perawat.
1. Uji asumsi klasik atau Estimasi Model Regresi Linear Ganda Estimasi model atau dikenal dengan uji asumsi klasik, yang dilakukan secara sekaligus dengan pengujian asumsi klasik (linieritas, korelasi, heteroskedastisitas dan normalitas) pada waktu melakukan uji regresi linier. Sebelum melakukan uji regresi linier, harus diketahui beberapa asumsi sebelum melakukan uji regresi linear yang haris diikuti: o
Assums #1: variabel yang di uji berukuran kontinyu (skala interval atau ratio). Contohnya
o
tinggi badan dan ukuran berat badan. Assumsi #2: kedua variabel yang akan diuji memiliki linieritas pada grafik PP Plot (linear
o
relationship). Assumsi #3: nilai residual (errors) menunjukan garis linier berdistribusi normal. Lihat histogram (superimposed normal curve) atau Normal P-P Plot.
Sunday, 09 December, 2018
11
Linieritas bisa di lihat dari diagram scatterplot. o
Assumsi #4: tidak ada data yang jauh diluar garis linear (no significant outliers).
o
Assumsi #5: data yang di uji menunjukan “homoscedasticity”, pada grafik Scatterplot yaitu data yang muncul bergerak bersama sama, lihat gambar di gambar scatterplots dibawa ini.
o
Assumsi #6: harus dilakukan pengamatan pada variabel independency (independence of observations) dengan dilakukan uji autokorelasi dengan Durbin-Watson statistic.
Sunday, 09 December, 2018
12
Jadi uji asumsi yang harus di lakukan sebelum uji regresi linier ganda adalah sebagai berikut: 1. 2. 3. 4.
Uji linieritas/normalitas dengan grafik PP-Plot. Uji heteroskedastisitas dengan grafik scatterplot. Uji autokorelasi dengan uji Durbin Watson. Uji kolinieritas dengan melihat Tolerance level dan VIF.
2. Uji Linieritas dan Heteroskedastisis dengan grafik Sebelum memberikan interpretasi pada hasil regresi, dilakukan pengujian asumsi normalitas sebagai syarat regresi: 1. Apabila berdistribusi normal maka analisis parametrik seperti analisis regresi dapat dilanjutkan, 2. Apabila tidak tidak berdistribusi normal maka digunakan statistik non parametrik untuk menguji hipotesis. Pengujian normalitas ini menggunakan diagram histogram dan grafik p p-plot untuk memprediksi apakah data berdistribusi normal atau tidak.
Hasil Uji Linieritas Grafis dan ANOVA
Sunday, 09 December, 2018
13
Histogram: kurva data menunjukan sebaran merata
ke
kanan
dan
kekiri
bagian
membentuk kurva normal PP Plots: data menyebar secara linear. Scatterplot: data menyebar secara versama, memenuhi
asumsi
homoskedastisitas
(homoscedascity).
3. Uji Multicollinearity Multikolinearitas adalah sebuah situasi yang menunjukkan adanya korelasi atau hubungan kuat antara dua variabel prediktor atau lebih dalam sebuah model regresi berganda. Multikolinearitas tidak mengurangi kekuatan prediksi secara simultan, namun mempengaruhi nilai prediksi dari sebuah variabel bebas. Nilai prediksi sebuah variabel bebas disini adalah koefisien beta. Oleh karena itu, sering kali kita bisa mendeteksi adanya multikolinearitas dengan adanya nilai standar error yang besar dari sebuah variabel bebas dalam model regresi. Pada pengujian regresi linear ganda, variabel prediktor yang akan diuji regresi, dilakukan uji Uji multikolinearitas dilakukan dengan 4 cara yaitu sebagai berikut: 1) Correlation matrix – dilakuakan dengan cara penghitungan matrix dengan metoda “Pearson's Bivariate Correlation” diantara variabel predictor, dimana hasilnya harus kurang dari angka <0,8.
Sunday, 09 December, 2018
14
Correlation Matrixa Sikap Correlation
Sig. (1-tailed)
Sikap
Pengawasan
Motivasi
Kepatuhan
1.000
.660
.453
.550
Pengawasan
.660
1.000
.589
.503
Motivasi
.453
.589
1.000
.564
Kepatuhan
.550
.503
.564
1.000
.000
.000
.000
.000
.000
Sikap Pengawasan
.000
Motivasi
.000
.000
Kepatuhan
.000
.000
.000 .000
a. Determinant = .208
2) Tolerance – tolerancde adalaah alat ukur adanya saling pengaruh antara varibel prediktor dilakukan uji bersama sama dengan linear regression. Tolerance T = 1 – R² for these first step regression analysis. Bila T<0,1 Multicolinearitas. Contoh di bawah semua nilai T > 0,1. 3) Variance Inflation Factor (VIF) – the variance inflation factor pada linear regression di hitung berdasarkan VIF = 1/T. Bila VIF > 10 mengindikasinya adanya multicollinearity; bila VIF >100 mengindikasikan adanya multicollinearity. Contoh di bawah nilai VIF < 5: tidak ada multicolinearitas.
Coefficientsa Collinearity Statistics Model 1
Tolerance
VIF
Sikap
.558
1.792
Pengawasan
.459
2.180
Motivasi
.646
1.548
a. Dependent Variable: Kepatuhan
Sunday, 09 December, 2018
15
4) Condition Index – the condition index dihitung menggunakan factor analysis pada variabel predictor. Bila nila antara 10 s/d 30 indikasi multicollinearitas menengah, bila > 30 indikasi multicollinearitas kuat. Pada table di bawah tidak ditemukan indikasi tersebut diatas. 5) Collinearity Diagnosticsa Variance Proportions
Dimensi Model
on
Eigenvalue
Condition Index
(Constant)
Sikap
Pengawasan
Motivasi
1
1
3.916
1.000
.00
.00
.00
.00
2
.034
10.709
.49
.30
.14
.14
3
.032
11.057
.45
.11
.03
.63
4
.018
14.631
.06
.58
.83
.23
a. Dependent Variable: Kepatuhan
4. Uji Autokorelasi dengan Uji Durbin Watson
Model Summaryb Model
Durbin-Watson 2.355a
1
a. Predictors: (Constant), Motivasi, Sikap, Pengawasan b. Dependent Variable: Kepatuhan
Uji Durbin Watson merupakan alat deteksi ada tidanya autokorelasi di dalam model regresi linear, apabila data merupakan data time series atau runtut waktu. Autokorelasi adalah: sebuah nilai pada sampel atau observasi tertentu sangat dipengaruhi oleh nilai observasi sebelumnya. Hasil uji Durbin Watson digunakan untuk melihat adanya autokorelasi antara variabel-varaibel yang diuji.
Uji Durbin watson akan menghasilkan nilai Durbin Watson (DW) yang nantinya akan dibandingkan dengan dua (2) nilai Durbin Watson Tabel, yaitu Durbin Upper (DU) dan Durbin Lower (DL).
Sunday, 09 December, 2018
16
Dikatakan tidak terdapat autokorelasi jika nilai DW > DU dan (4-DW) > DU atau bisa dinotasikan juga sebagai berikut: (4-DW) > DU < DW.
Bila hasil uji Durbin Watson dengan angka 2.355 harus dibandungkan dengan dengan table Durban Watson dengan cara melihat berapa jumlah variabel actor yang diuji dan melihat berapa sample yang di uji.
Jumlah sample 20, dan jumlah variabel predictor 1 maka lihat table n 20 dan K3 menunjukan antara 1dan 1,68:
Bila kurang dari 1 artinya ada autokorelasi positif.
Daerah antara 1 dan 1,68 artinya autokrelasi ragu ragu.
Daerah antara 1,68 dan 2,32 ( 4-1,68=2,32) artinya ini daerah tidak ada autokrelasi.
Daerah diatas 2,56 (4-1,44) artinya ini daerah autokrealsi negatif.
Hasil uji Durbin Watson : 1 < 1.136 < 1,68 menunjukan terdapat autokorelasi ragu-ragu.
Sunday, 09 December, 2018
17
Sunday, 09 December, 2018
18
Modul 13.B. REGRESI LOGISTIK GANDA DENGAN SPSS 2.1 Pengantar Pra-syarat: Telah memahami teori dan prosedur regresi logistik sederhana dengan SPSS. Model yang digunakan pada regresi logistik adalah: Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. + βkXk Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel independen, dan b adalah koefisien regresi.
Ln(
𝑃 1−𝑃
) = 𝑎 + 𝑏𝑋
Ln=Logaritma normal, P=probabilitas dan a+bx sebagai OLS.
Regresi logistik biner telah banyak digunakan secara luas didunia kesehatan dan kedokteran sebagai salah satu alat analisis pemodelan ketika variabel responnya (Y) bersifat biner (jenis kategori dengan hanya dua jawabannya). Misalnya dampak pengobatan Panadol tablet dan Ibufropen tablet terhadap penurunan sakit. Tindakan pemberian Panadol tablet sebagi X1 dan dan pemberian Ibufropen tablet sebagai X2 dampaknya terhadap penurunan sakit ( ya dan tidak). Istilah biner merujuk pada penggunaan dua buah bilangan 0 dan 1 untuk menggantikan dua kategori pada variabel respon sebagai variabel dependent (DV). Contoh variabel respon biner yang dimaksud pada variable sikap (positif – negatif), kepatuhan (patuh – tidak patuh), tingkat Kesakitan (ya – tidak). Regresi logistik merupakan regresi non linier, karena data yang di uji bersipat biner (kategorikal biner) yang tidak memiliki karakterisitik linier dan hasil akhir uji logistic regression
Sunday, 09 December, 2018
19
menggunakan kode 0 atau 1, dimana angka 1 mengindikasinya adanya probabilitas, sedangkan angka 0 mengindikasikan tidak adanya probabilitas. Jadi kedua variabel yang akan di uji harus memiliki dua kategori biner. Model log-linier merupakan pengembangan dari analisis tabulasi silang dua arah atau lebih dimana terdapat hubungan antara dua atau lebih variabel kategori yang dianalisis menggunakan logaritma alami terhadap setiap isi sel dalam tabel. Seperti analisis regresi pada umumnya, metode ini menggunakan beberapa variabel prediktor, baik numerik maupun kategori. Misalnya, probabilitas menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia, jenis kelamin, dan indeks massa tubuh. Regresi logistik juga digunakan secara luas pada bidang kedokteran dan ilmu sosial, maupun pemasaran seperti prediksi kecenderungan pelanggan untuk membeli suatu produk atau berhenti berlangganan. Regresi logistik multinomial (nominal dan ordinal) merupakan salah satu pendekatan pemodelan yang dapat digunakan untuk mendeskripsikan hubungan beberapa variabel kovariat X dengan suatu variabel respon multinomial (polytomous). Model regresi logistik nominal digunakan ketika tidak ada urutan di antara kategori respon ordinal. Maksud perkataan Odds adalah kemungkinan akan berlaku/terjadi. Odds Ratio (OR) adalah ukuran asosiasi paparan (faktor risiko) dengan kejadian atau peristiwa; dihitung dari angka kejadian pada kelompok berisiko (terpapar faktor risiko) dibanding angka kejadian pada kelompok yang tidak berisiko (tidak terpapar faktor risiko). Manfaat Odds ratio (OR) hanya boleh dilakukan pada penelitian dengan pendekatan Case Control. Sedangkan untuk penelitian dengan pendekatan kohort, maka disebut Relative Risk. Ada sedikit perbedaan antara OR dan Relatif Risk (RR), namun dalam bahasan modul ini, kita hanya fokus pada OR. OR di dalam Program SPSS, sering dilambangkan dengan simbol “Exp (B)”. Nanti kita akan lihat seperti apa itu simbol “Exp (B)”. Asumsi sebelum melakukan uji regresi logistik: 1.
Assumsi #1: (DV) dependent variable berukuran skala nominal dichotomous. Misalnya jenis kelamin: laki-laki dan perempuan. Status kesehatan: sakit dan sehat.
Sunday, 09 December, 2018
20
2.
Assumsi #2: (IV) independent variable sebagai variable predictor memiliki dua atau lebih variabel, baik berskala continuous (i.e., an interval or ratio variable) atau categorical (ordinal atau nominal variable).
Assumsi #3: independence of observations. 4. Assumsi #4: adanya linear relationship antara independent variables dengan dependent variable. Gunakan uji linier ini dengan Box-Tidwell (1962) procedure 3.
to test for linearity. 2.2 Tahapan uji regresi logistik a. Uji kontruksi model (goodness for fit to test)
Layak bila P value < 0.05.
Alat ujinya Omnibus overall test , bila P value bila < 0,05 menunjukan signifikan dan fit untuk dilakukan uji Logistik Regresi.
Pada -2LL model step 1 hasilnya bila dibandingkan dengan -2LL pra-model step 0 dan tidak terjadi penambahan maka dianggap model ini fit untuk dilakukan uji logistik regresi. (Uji F pada regresi linier).
b. Uji Prediktor a. Tujuan uji prekditor adalah untuk melihat berapa persen pengaruhnya terhadap varibel response. b. Alat ujinya Nagel kerke R2 digunakan untuk mengetahui seberapa besar varian hubungan variabel predictor terhadap variabel response. c. Nilai dinyatakan dengan prosentase. c. Uji model fit
Tujuanya untuk mengetahui ada tidaknya keadaan multikolinearitas.
Alat ujinya Hosmer and Lemeshow.
Hasil uji dalam bentuk khi-kuadrat Pearson, bila p value < 0,05 menunjukan terdapat multikolinearitas.
d. Uji signifikansi parsial Tujuan Uji parsial adalah digunakan untuk menguji pengaruh prediktor secara individual.
Alat ujinya adalah Uji Wald (uji t pada regresi linier).
Sunday, 09 December, 2018
21
Bila p value <0,05 menunjukan signifikan.
Varibabel prediktor yang tidak layak (not significant), dikeluarkan sebelum dilakukan uji signifikan parameter serentak.
Dengan uji Wald kita bisa menyaring variabel predictor mana saja yang mempengaruhi variabel respons. Variabel yang tidak significant bisa di keluarkan untuk di lakukan uji signifikan serentak.
Contoh kasus: Kepala ruangan ingin mengetahui berapa peluang kepatuhan perawat perempuan, jika diketahui
memiliki skor kepatuhan 10 dan pengalaman bekerja 5 tahun pada sejumlah sampel 40 perawat. Adapun variabel yang diteliti adalah sebagai berikut.
y (Kepatuhan)
= 1 jika Patuh dan 0 jika tidak patuh.
x1 ( Skor Sikap)
= 1 sikap positif, dan 0 sikap negatif.
x2 (lama pengalaman kerja )= 1 lebih dari 10 tahun, 0 kurang dari 10 tahun. x3 (jenis kelamin) = 1 untuk laki-laki dan 0 untuk perempuan.
Pertanyaan:
1. Carilah Model logit dan model regresi logistik dari kasus tersebut. 2. Interpretasikan nilai estimasi β (dengan menggunakan nilai odd dari masing-masing variabel) 3. Berapa peluang kepatuhan perawat perempuan, jika diketahui memiliki skor kepatuhan 10 dan pengalaman bekerja 5 tahun ?
Sunday, 09 December, 2018
22
2.3 Diagram regresi logistik X1: Skor Sikap
X3: Jenis=kelamin
Y: Kepatuhan
X2: Skor Pengalaman kerja
2.4 Hasil uji Regresi logistic ganda Prosedur 1. Pilih dan tekan Analyze > Regression > Binary Logistic ... 2. Masukan dependent variable, Tingkat Kepatuhan , kedalam box Dependent 3. Masukan independent variables, Sikap Jenis kelamin Pengalaman kerja
kedalam box
Covariates
4. Tekan
akan muncul dialog box Logistic Regression: Options:
5. Pada –Statistics and Plots– area di centang: 5.1
Classification plots,
5.2
Hosmer-Lemeshow goodness-of-fit,
5.3
Casewise listing of residuals,
5.4
CI for exp(B): 95%.
5.5 6. Tekan
Pada area –Display– centang At last step. , maka akan kembali ke dialog Logistic Regression lalu tekan
Lihat hasil di output.
Sunday, 09 December, 2018
.
23
Hasil:
Sunday, 09 December, 2018
24
Hasil: 1. Hasil uji konstrak model: Hasi uji Omnibus P<0,05. Good ness for Fit. 2. Hasil uji prediksi: Nagelkerke R2 menunjukan 47,8 %. Jenis kelamin, pengalaman kerja dan sikap mempengaruhi kepatuhan sebesar 47,8% sisanya dipengaruhi oleh faktor lain. 3. Hasil uji kelayakan model: Hasil uji Hosmer and Lemesow test: p>0,05. Tidak ada multikolinearitas. 4. Hasi uji signifikan parsial:
X1: Skor Sikap
W:4,270 P-Value <0,05
X3: Jenis kelamin
W:7,987 and P Value:<0,05
X2: Skor Pengalaman kerja
W:8,33 and P-Value <0,05
Y: Kepatuhan
6.1 Hasil uji regresi logistik Hasil: Korelasi ketiga Variable X signifikan, maka uji logistik regresi bisa di lanjutkan. 1. Model logit dan model regresi logistik dari kasus tersebut. Persamaan Regresi Logistik variabel sikap, pengalaman kerja dan jenis kelamin terhadap kepatuhan cuci tangan adalah sebagai berikut:
B1= 1,370 B2= 1,842 B3= 2,153 B0 Constanta a= -3,018 Y = β0 + β1X1 + β2X2 + …. + βkXk
Y=--3,018 + 1,370 B1 + 1,840 B2 + 2,153x3
2. Interpretasikan nilai estimasi β (dengan menggunakan nilai odds ratio dari masingmasing variabel). a. OR Sikap terhadap kepatuhan cuci tangan Exp(B) 3,935 b. OR Jenis kelamin terhadap kepatuhan cuci tangan Exp (B) 8,310
Sunday, 09 December, 2018
25
c. OR pengalaman kerja terhadap kepatuhan Exp(B) 8,607
Sumber bacaan: Field Andy. 2013. Discovering Statistics Using SPSS. 3rd Ed. SAGE Publications Ltd, 1 Oliver’s Yard, 55 City Road, London EC1Y 1SP. Leech NL, Karen C. Barrett KC, and Morgan GA, 2005, SPSS for Intermediate Statistics: Use and Interpretation. 2nd Ed. Lawrence Erlbaum Associates, Publisher, Mahwah, New Jersey London. Stevens, J. (2002). Applied multivariate statistics for the social sciences. Mahway, NJ: Lawrence Erlbaum Associates. Agresti, A. & Franklin, C. (2014). Statistics. The Art & Science of Learning from Data. Essex: Pearson Education Limited. Hair, J.F., Black, W.C., Babin, B.J. et al (2006). Multivariate Data Analysis. New Jersey: Pearson Prentice Hall. Berry, W.D. (1993). Understanding Regression Assumptions. Newbury Park, CA: Sage. Howell, D.C. (2002). Statistical Methods for Psychology (5th ed.). Pacific Grove CA: Duxbury. Nicol, A.M. & Pexman, P.M. (2010). Presenting Your Findings. A Practical Guide for Creating Tables. Washington: APA.
Sunday, 09 December, 2018
Modul 14. UJI ANOVA 1 FAKTOR (ONEWAY ANOVA) (Studi kasus pengaruh tingkat pendidikan terhadap motivasi kerja perawat) Oleh Sobur Setiaman 1. Tujuan Setelah mempelajari bab ini, anda dapat: 1. Menjelaskan 1 faktor sebagai variabel indefendent. 2. Membedakan variabel dependent dengan independent. 3. Memahami normality data dan homogenitas data variabel depedent. 4. Melakuan uji ANOVA 1 faktor dengan SPSS. 5. Membaca hasi uji ANOVA dua factor.
2. Pendahuluan Anova (Analysis of variance) adalah alat untuk menguji rata-rata satu kelompok / lebih melalui satu variabel dependen / lebih berbeda secara signifikan atau tidak. One Way Anova atau dikenal ANOVA 1 faktor adaah Satu variabel dependen (kuantitatif) dan satu kelompok (kualitas lebih dari dua kategori atau miniam 3 kategori). Asumsi-asumsi yang mendasari analisis variansi adalah : 1. Variabel dependent memiliki distribusi normal, standar deviasi yang sama (atau variansi yang sama) dan tidak ditemukan tanda ouliers. 2. Variabel prediktor memiliki lebih dari 2 kategori.
1 Updated: 9-Dec-18
Contoh kasus: Kepala ruangan ingin mengetahui apakah tingkat pendidikan perawat dapat mempengaruhi motivasi kerja dalam mendokumentasikan catatan keperawatan. Maka kepala ruangan memilih tiga kelompok pendidikan dengan jumlah masing –masing yang sama yaitu 10 orang dari lulusan D3, 10 orang dari lulusan S1, dan 10 rang lagi dari lulusan S2. Hipotesis adalah: Tingkat pendidikan perawat dapat mempengaruhi motivasi kerja dalam mendokumentasikan catatan keperawatan. Variabel yang diteliti: Variabel Independent (Bebas) Tingat pendidikan: D3 (10 0rang) S1 (10 orang) S2 (10 orang)
Variabel Dependent (Terikat) Motivasi kerja
3. Prosedur Uji ANOVA 1 faktor: Tujuan: Menganalisis pengaruh tingkat pendidikan ( 3 kategori) terhadap motivasi kerja perawat dalam mendokumentasikan catatan keperawatan. Langkah-langkah: 1. Tekan analysis: tekan Compare mean , pilih One-way ANOVA . Gambar 2. 2. Masukan data variabel dependent (Motivasi) ke kotak dependent. Gambar 3. 3. Masukan data variabel independent (Pendidikan) ke kotak Factor. Gambar 3. 4. Tekan option, centang klik pada: Descriptive , Homogenity dan Mean plot . Continue. Gambar 4.
5. Tekan Post Hoc : centang LSD . Continue. Gambar 5. 6. Tekan OK.
2 Updated: 9-Dec-18
Gambar 1
Gambar 3
Gambar 2
Gambar 4
Gambar 5
Hasilnya:
Hasil deskriptif analisis: rata-rata motivasi pendidikan S2 lebih tinggi dari S1, rata-rata motivasi S1 lebih tinggi dari D3.
3 Updated: 9-Dec-18
Hasil Homogenity test: 0,264. Lebih besar dari > 0,05 - Data equal atau homogeneity.
Hasil ANOVA: F 31,039 Sig 0,00 lebih kecil dari < 0,05 – Significant berbeda.
Hasil: Perbedaan signifikansi antara pendidikan D3 dengan s1 dan s2 adalah significant.
Hasil: Variabel pendidikan linier terhadap motivasi.
Uji normalitas data variabel dependent (Motivasi): 1. Pilih menu Analyze, 2. Pilih: Non-parametric test. 3. Pilih: Sample-KS. 4 Updated: 9-Dec-18
4. Dialogs: masukan variabel Motivasi ke dalam box Test Variable list, centang Test distribution: Normal. 5. Tekan OK. Hasilnya: Kolmogorov Smirnov Z: > dari 0,05 (5%). Data berdistribusi normal.
Dialogs one-Sample Kolmogorov-Smirnov Test
Hasil Kolmogorov Smirnov Z: > dari 0,05 (5%), bisa dilakukan uji ANOVA 1 faktor.
5 Updated: 9-Dec-18
Modul 15. Uji ANOVA 2 Faktor (studi kasus pengaruh jenis kelamin dan tingkat pendidikan terhadap kepatuhan cuci tangan pada perawat) Oleh Sobur Setiaman 1. Tujuan Setelah mempelajari bab ini, anda dapat: 1. Menjelaskan 2 faktor sebagai variabel indefendent. 2. Membedakan variabel dependent dengan independent. 3. Memahami normality data dan homogenitas data variabel depedent. 4. Melakuan uji ANOVA dua faktor dengan SPSS. 5. Membaca hasi uji ANOVA dua factor.
2. Pengantar Two-way ANOVA atau lebih di kenal dengan analysis 2 faktor adalah metoda analisis 2 faktor atau 2 variabel terhadap terhadap nilai rata-rata variabel dependent. Tujuan analysis 2 faktor adalah untuk memahami interaksi antara dua variabel independent sebagai variabel factor, terhadap dependent variabel yang berskala interval / scale. Metode Tukey digunakan dalam ANOVA untuk membuat interval kepercayaan untuk semua perbedaan berpasangan antara tingkat faktor sambil mengontrol tingkat kesalahan ke tingkat yang Anda tentukan.
1 Update: 09/12/2018
Hal ini penting untuk mempertimbangkan tingkat kesalahan ketika membuat beberapa perbandingan karena peluang Anda untuk membuat kesalahan tipe I untuk serangkaian perbandingan lebih besar dari tingkat kesalahan untuk setiap satu perbandingan saja. Untuk mengatasi tingkat kesalahan ini lebih tinggi, metode Tukey akan menyesuaikan tingkat kepercayaan untuk setiap interval individu sehingga mengakibatkan tingkat kepercayaan yang simultan adalah sama dengan nilai yang Anda tentukan. Contohnya: Memahami interaksi antara jenis kelamin dan tingkat pendidikan perawat terhadap kepatuhan cuci tangan. Independent variabel (Variable factors) 1. Varibel jenis kelamin (Skala nominal):
1. Laki-laki
2 perempuan
Dependent varibel: Skor kepatuhan cuci tangan (Interval)
2. Variabel tingkat pendidikan (Skala ordinal):
1. D3
2. S1
3. S2
Variabel independent
Variabel dependent
(skala kategorik)
Skala Kontinyu)
Jenis Kelamin Skor Kepatuhan cuci tangan
Pendidikan
2 Update: 09/12/2018
Sebelum melakukan uji 2 faktor ini, harus melewati beberapa asumsi sebagai berikut: Assumsi #1: dependent variable berskala continuous (interval atau ratio). 2. Assumsi #2: 2 independent variables masing-masing bisa berskala categorical (nominal 1.
atau ordinal) 3. Assumsi #3: pada variabel independence tidak berhubungan. Assumsi #4: Tidak ada tanda-tanda significant outliers. (Scater plot) 5. Assumsi #5: dependent variable berdistribusi normal. 6. Assumsi #6: independent variable homogeneity of variances (Levene’s test) 4.
3. Prosedur uji 2 faktor dengan SPSS: 1.
Tujuan: menganalisa interaksi antara variabel jenis kelamin dan tingkat pendidikan terhadap kepatuhan cuci tangan pada perawat. 1. Varibel jenis kelamin (Skala nominal): o
1. Laki-laki
o
2 perempuan
2. Variabel tingkat pendidikan (Skala ordinal):
3.
o
1. D3
o
2. S1
o
3. S2
Variabel dependent: skor kepatuhan berskala interval/scale.
4. Click Analyze > General Linear Model > Univariate
3 Update: 09/12/2018
Univariate dialog: dependent variable, Skore kepatuhan , into the Dependent Variable: Jenis kelamin
dan Pendidikan dim asukan ke dalam box Fixed Factor(s)
Tekan
Jenis kelamin dari box Factors: masukan ke Horizontal Axis: Pendidikan , masukan
. Univariate: Profile Plots dialog
ke Separate Lines, lalu Tekan "JK*Pend" Tekan
. Maka akan muncul di box Plote
.
Tekan . Univariate: Post Hoc Multiple Comparisons for Observed Means dialog: masukan pend ke dalam post Hoc test for, dan pilih centang Turkey Test. Lalu tekan Continue.
4 Update: 09/12/2018
Tukey test digunakan untuk menguji homogenitas. LSD (Least Square difference) juga digunakan untuk menguji homogenitas.
Tekan
. Univariate: Options dialog:
Masukan JK, Pend dan JK*Pend dari box Factor(s) and Factor Interactions: ke dalam box Display Means for:
di box –Display– , pilih centang Descriptive Statistics . Lalu tekan
maka akan keluar output report.
5 Update: 09/12/2018
dan tekan
4. Out put report Laporan hasil analysis akan muncul: 1.
Descriptive statistics
2.
ANOVA between-subjects effects
3.
Tukey post hoc tests (multiple comparisons)
4.
Plot of the results
Descriptive statistics
Analisa deskriptif variable factors: Pada tabel deskriptif menggambarkan nilai rata-rata dan standar deviasi masing-masing kategori.
Homogenity test variabel dependent Levene's Test of Equality of Error Variancesa Dependent Variable: TPatuh
F 2.098
df1
df2
Sig.
5
128
.070
Tests the null hypothesis that the error variance of the dependent variable is equal across groups.
Pada table Levene’s Test, digunakan untuk menganalisa ekualitas/homogenitas data variabel dependen yaitu variabel kepatuhan, pada hasil uji signifikasi menunjukan angka 0,070 (0,7% > 0,5%) ini mengindikasikan bahwa data kepatuhan bersifat equal atau homogen. 6 Update: 09/12/2018
Plot Pendidikan dan jenis kelamin: The plot nilai rata-rata kepatuhan kombinasi terhadap variabel pendidikan dan jenis kelamin.
Garis tingkat pendidikan tidak paralel, menunjukan adanya interaksi yang signifikan dengan jenis kelamin dan pendidikan terakhir.
5. Uji ANOVA 2 way ANOVA – menganalysis dua variabel independent terhadap variabel dependent, apakah ada interaksi signifikan atau tidak, akan ditunjukan oleh Tests of Between-Subjects Effects. Tests of Between-Subjects Effects akan menggambarkan dampak jenis kelamin dan tingkat pendidikan terhadap rata-rata kepatuhan cuci tangan. Pada test ini akan di-identifikasi variabel manakah yang memberikan dampak/interaksi secara signifikan, apakah jenis kelamin, tingkat pendidikan atau interaksi antara jenis kelamin dan pendidikan terhadap kepatuhan?.
7 Update: 09/12/2018
Analisa interaksi (Effect): Interaksi antara "JK", "Pend" dan "JK*Pend" dalam kotak akan menunjukan tingkat signifikansi interaksi di ketiga variabel tersebut:
Interaksi antara Jenis kelamin dengan kepatuhan (F=9,742) sig.0,002 (p=0,05) indikasi signifikan. Interaksi antara pendidikan dengan kepatuhan (F=19,553) sig. 000 (p=0,05) indikasi signifikan. Interaksi jenis kelamin dan pendidikan terhadap kepatuhan (3,693) sig. 0,028 indikasi signifikan.
6. Post hoc tests Tukey’s HSD Tukey’s (Honestly Significant Difference) test dirancang untuk melakukan perbandingan mean antar kelompok pada semua tingkat signifikansi tes. Tes ini jauh lebih kuat dibandingkan Scheffe‟s test, namun tidak dapat digunakan untuk menguji perbandingan yang bersifat kompleks. Pada bagian ini, yang akan kita cari adalah grup/subset mana saja yang mempunyai perbedaan mean yang tidak signifikan. TPatuh Tukey HSD Pendidikan Terakhir
N
Subset 1
2
D III
90
S2
13
25.4615
S1
31
25.9032
Sig.
24.4889
1.000
.181
Means for groups in homogeneous subsets are displayed. Based on observed means. The error term is Mean Square (Error) = .768. a. Uses Harmonic Mean Sample Size = 24.939. b. The group sizes are unequal. The harmonic mean of the group sizes is used. Type I error levels are not guaranteed.
8 Update: 09/12/2018
c. Alpha = .05.
Analisa post hoc test: Terlihat bahwa sampel terbagi ke dalam 2 subset, yang menunjukkan bahwa ada 2 level pendidikan yaitu S2 dan S1 memiliki mean kepatuhan yang tidak terlalu berbeda secara nyata. Mean dari pendidikan DIII berbeda secara signifikan dengan pendidikan S1 dan S2. Namun dari informasi diatas, terlihat bahwa rata-rata kepatuhan cuci tangan padaa perawat dengan pendidikan DIII tergolong lebih rendah, jauh dibawah rata-rata kepatuhan pendidikan S1 dan S2.
Multiple Comparisons
Perbandingan interaksi: Interaksi kepatuhan cuci tangan pada perawat yang berpendidikan S1 dengan S2 (p < 0,283) tidak signifikan, sedangkan interaksi kepatuhan antara pendidikan S1 dengan DIII dan S2 dengan DIII (p=0,05) mengindikasikan adanya signifikan.
9 Update: 09/12/2018
Kesimpulannya Tabel Analysis of Variance Variabel Jenis Kelamin, pendidikan dan Kepatuhansample(n=134)
Jenis Kelamin
Laki-Laki
Perempuan
Pendidikan
Mean
Std. Error
95% Confidence Interval
D III
24.467
.160
Lower Bound 24.150
S1
25.429
.331
24.773
26.084
S2
24.600
.392
23.824
25.376
D III
24.500
.113
24.276
24.724
S1
26.042
.179
25.688
26.396
S2
26.000
.310
25.387
26.613
Upper Bound 24.783
DF
ANOVA
Sig.
2
3.693
0.028
Hasi uji 2 way ANOVA menunjukan Interaksi variabel jenis kelamin dan pendidikan terhadap kepatuhan (3,693) sig. 0,028 (p=0,05) signifikan.
10 Update: 09/12/2018
Modul 16. Uji ANOVA Multivariat (studi kasus dampak pelatihan cuci tangan dan jenis kelamin terhadap sikap dan kepatuhan cuci tangan pada perawat) Oleh: Sobur Setiaman 1. Tujuan 1. Setelah mempelajari modul ini, harus mampu menjelaskan tujuan analisis ANOVA dengan alat uji ANOVA Multivariat (MANOVA). 2. Dapat membedakan “dependent variable” dan “independent variable”. 3. Dapat menjelaskan perbedaan skala kategorik (skala nominal dan ordinal) dan skala kontinyu ( skala ratio dan interval) 4. Menjelaskan asumsi-asumsi sebelum melakukan multivariate analysis. 5. Melakukan analysis multivariate dengan SPSS. 6. Menjelaskan hasil uji multivariate.
2. Pengantar Multivariate= lebih dari satu variabel. ANOVA Multivariat atau di kenal dengan istilah MANOVA sebagai perkembangan dari analysis data dengan uji dua arah ANOVA. Pada dua arah ANOVA yang di analysis adalah: 1. Dua variabel terikat yaitu DV= “dependent variable” yang berskala kontinyu (interval atau rasio) 2. Dua variabel bebas atau IV= “independent variable”, dimana IV merupakan skala nominal atau ordinal lebih dari dua kategori. 3. Apakah ada efek atau dampak atau pengaruhnya dari variabel bebas atau prediktot terhadap variabel terikat ?.
1 Sunday, 09 December, 2018
Contoh, apakah intervensi pelatihan cuci tangan dan jenis kelamin perawat mempengaruhi sikap dan kepatuhan cuci tangan pada perawat maka variabel yang harus di analysis adalah sebagai berikut: 1. IV yang berskala kategorik (nominal atau ordinal): a. Pelatihan yang terdiri dari “Ikut pelatihan” dan “tidak ikut pelatihan”. b. Jenis kelamin yang terdiri dari: “Laki-laki” dan “Perempuan”. 2. DV yang berskala kontinyu (interval atau rasio) terdiri dari dua yaitu: a. Variabel Skor sikap b. Variabel Skor kepatuhan
Variabel independent
Variabel dependent
(Skala Kategorik)
(Skala Kontinyu) Sikap
Pelatihan
Kepatuhan
Jenis kelamin
TWO-WAY MANOVA bisa dilakukan bila variabel yang akan di analysa memenuhi persyaratan berbagai asumsi dibawah ini.
3. Asumsi-asumsi o
Assumsi #1: dua atau dependent variables dengan skala ukur interval or ratio level.
o
Assumsi #2: independent variables terdiri dari 2 atau kategorik.
o
Assumsi #3: independence of observations, tidak ada relationship di masing-masing grup pengamatan.
o
Assumsi #4: cukup besarnya sample.
o
Assumsi #5: tidak ada outliers.(boxplots dan Mahalanobis distance).
o
Assumsi #6: multivariate normality. (Shapiro-Wilk test of normality) 2
Sunday, 09 December, 2018
o
Assumption #7: linear relationship pada dependent variables dan kombinasi dg independent variables. (scatterplot matrix)
o
Assumption #8: homogeneity (using Box's M Test of Equality of Covariance Matrices.)
o
Assumption #9: Tidak ada multicollinearity.
4. Prosedur analisa data multivariat dengan SPSS:
Prosedur analysis multivariate dengan UJI MANOVA dua jalan (twoway ANOVA) pada situasi dimana varaibel yang di uji lebih dari sat.
Langkah langkah: 1. Tujuan: menguji dampak pelatihan cuci tangan terhadap sikap dan kepatuhan cuci tangan. Variabel yang di teliti adalah: a. Variabel Sikap, dan Variabel kepatuhan sebagai “DV” skala kotinyu. b. Variabel pelatihan dan jenis kelamin sebagai “IV” skala nominal dua kategori. 2. Alat uji: MANOVA 2 faktor 3. Hipotesa: a. Ho: Pelatihan tidak mempengaruhi sikap dan kepatuhan perawat terhadap cuci tangan. b. H0: Jenis kelamin mempengaruhi sikap dan kepatuhan perawat terhadap cuci tangan 4. Alpha: 5% 5. Pilih analyze, GLM, multivariate 6. Masukan vareiabel sikap dan kepatuhan ke dalam dependent variabel. 7. Masukan variabel pelatihan dan jenis kelamin ke dalam Fixed factor variabel. 8. Klik Plot masukan variabel pelatihan dan jenis kelamin ke dalam Horizontal Axis lalu Plot Add tekan continue. 9. Klik Post hoc, lalu centang pilih Turkey Test. Tekan continue. 10. Klik Option, dan centang pilih: 3 Sunday, 09 December, 2018
a. Descriptive statistics b. Homogeneity test 11. Klik continue dan tekan OK.
Descriptive:
Levene's Test of Equality of Error Variancesa F
df1
df2
Sig.
SSikap
30.937
3
76
.550
TPatuh
35.219
3
76
.240
Tests the null hypothesis that the error variance of the dependent variable is equal across groups. a. Design: Intercept + Jk + Pelatihan + Jk * Pelatihan
4 Sunday, 09 December, 2018
5. Hasil 1. Homogeneity test levene’s test sikap sig 0,55 dan kepatuhan sig 0,24 keduanya memiliki karakter signifikansi (P>0,05), maka kedua variabel menunjukan homogen. Maka selanjutnya bisa dilakukan analisa MANCOVA.
2. Estimates of effect Pada table Tests of Between-Subjects Effects menunjukan dampak jenis kelamin terhadap sikap F 0,5 (P>0,05), terhadap kepatuhan F 0,02 (P>0,05) keduanya tidak significant. Dampak pelatihan cuci tangan terhadap sikap F 64,4 (P<0,05) kepatuhan F 45,8 (P<0,05) keduanya significant. Dampak jenis kelamin dan pelatihan terhadap sikap dan kepatuhan tidak signifikan (P>0,05). 3. Observed Multivariate Test Pada table Multivariate Tests Multivariate test dg Wilks’ Lambda: dampak jeis kelamin dan pelatihan cuci tangan terhadap sikap dan kepatuhan cuci tangan sebesar F 0,62 (P>0,05), tidak significant.
5 Sunday, 09 December, 2018
DAFTAR PUSTAKA Field Andy. 2013. Discovering Statistics Using SPSS. 3rd Ed. SAGE Publications Ltd, 1 Oliver’s Yard, 55 City Road, London EC1Y 1SP. Leech NL, Karen C. Barrett KC, and Morgan GA, 2005, SPSS for Intermediate Statistics: Use and Interpretation. 2nd Ed. Lawrence Erlbaum Associates, Publisher, Mahwah, New Jersey London. Stevens, J. (2002). Applied multivariate statistics for the social sciences. Mahway, NJ: Lawrence Erlbaum Associates. Agresti, A. & Franklin, C. (2014). Statistics. The Art & Science of Learning from Data. Essex: Pearson Education Limited. Hair, J.F., Black, W.C., Babin, B.J. et al (2006). Multivariate Data Analysis. New Jersey: Pearson Prentice Hall. Berry, W.D. (1993). Understanding Regression Assumptions. Newbury Park, CA: Sage. Howell, D.C. (2002). Statistical Methods for Psychology (5th ed.). Pacific Grove CA: Duxbury. Nicol, A.M. & Pexman, P.M. (2010). Presenting Your Findings. A Practical Guide for Creating Tables. Washington: APA. Cara Menghitung Uji Validitas Dan Uji Reliabilitas Instrumen Skripsi Kuantitatif dengan SPSS. Diakses dari http://devamelodica.com/cara-menghitung-uji-validitas-dan-ujireliabilitas-instrumen-skripsi-kuantitatif-dengan-spss/ UJI VALIDITAS KUISIONER. Diakses dari http://duwiconsultant.blogspot.com/2011/11/ujivaliditas-kuisioner.html Uji
validitas dan Uji Reliabilitas. Diakses dari http://elearning.gunadarma.ac.id/docmodul/diklat_kursus_spss/d.Bab_II_Uji_Validitas _dan_Uji_Reliabilitas.pdf
VALIDITAS DAN RELIABILITAS. Diakses http://merlitafutriana0.blogspot.com/p/validitas-dan-reliabilitas.html
dari
ANALISIS UJI VALIDASI DAN RELIABILITAS INSTRUMEN KUESIONER. Diakses dari http://www.slideshare.net/rachmatstatistika/uji-validitas-dan-reliabilitas Korelasi Product Moment. Diakses dari http://elemetafor.Weebly.com/uploads/1/1/7/8/11788213/tugas_statistik_pendidikan_s adriadi.docx Uji Validitas dan reliabilitas menggunakan SPSS. Diakses dari http://melihatduniaacakadut.blogspot.com/2012/05/normal-0-false-false-false-in-x-none-x.html
Uji
Validitas dan reliabilitas. Diakses http://www.academia.edu/5170798/Uji_Validitas_Dan_Reliabilitas
dari
Gambar Validitas dan Realibilitas : http://www.google.com/imgres?imgurl=http%3A%2F%2Fdeceng3.files.wordpress.co m%2F2013%2F08%2Fvalidity_reliability.png&imgrefurl=http%3A%2F%2Fdeceng3. wordpress.com%2F2013%2F08%2F03%2Freliabilitas-danvaliditas%2F&h=1071&w=1000&tbnid=sDLii26Tp_wnM%3A&zoom=1&docid=2ov7_tt9kSZqLM&ei=pd9ZVPmwOtG5uATHmY CAAg&tbm=isch&ved=0CBsQMygBMAE&iact=rc&uact=3&dur=280&page=1&star t=0&ndsp=12 Cronbach, L. J. (1951). Coefficient alpha and the internal structure of tests. Psychometrika, 16,297-334. Cronbach, L. J., & Meehl, P.E. (1955). Construct validity in psychological tests. Psychological Bulletin, 52, 281-302. Lawshe, C.H. (1975). A quantitative approach to content validity. Personnel Psychology, 28, 563–575.