SUTANTO_PRIYO_HASTONO_Analisis_Data_SUTA

SUTANTO PRIYO HASTONO: Analisis Data no sex kerja bb 12 1 60 22 3 45 31 2 56 42 1 76 52 3 56 61 2 60 72 3 55 Data gabungan, berisi : no, umur, didik, sex, kerja dan bb no umur Didik sex kerja bb 1 60 1 20 1 2 3 45 2 56 2 23 3 2 1 76 3 56 3 19 2 1 2 60 3 55 4 21 1 2 5 23 4 2 6 20 2 1 7 24 3 24 Langkahnya: Aplikasi di SPSS: Pastikan anda sudah memasukkan data kedua file, misalnya data pertama dengan nama Data3.sav dan data kedua dengan nama Data4.sav. Langkahnya: 1. File ‘data3.sav’ dalam kondisi aktif 2. klik data, sorot Merge Files, sorot Add Variables 51

SUTANTO PRIYO HASTONO: Analisis Data 3. klik Add Variables 4. klik Open, Klik OK 5. Tampilan sudah tergabung variabelnya, anda tinggal melakukan penyimpanan “ klik Save As” beri nama file misal namanya Data34 6. Menyimpan hasil olahan/hasil analisis Hasil analisis akan ditampung pada jendela output (output windows) seperti tampak pada gambar di bawah ini. Anda dapat mengedit teks langsung pada windows tersebut. Prosedur yang sering digunakan untuk edit teks, seperti Cut, Copy dan Paste juga dapat digunakan di jendela output ini. Bila anda akan menyimpan hasil analisis: 1). Pilih “File” 2). Pilih “Save SPSS Output” 3). Ketik/isikan nama file-nya 4). Klik “OK” 52

SUTANTO PRIYO HASTONO: Analisis Data Frequencies 5 0 Statistics RISK N Valid Missing RISK Valid 1 Frequency Percent Valid Percent Cumulative 2 2 40.0 40.0 Percent Total 3 60.0 60.0 40.0 5 100.0 100.0 100.0 53

SUTANTO PRIYO HASTONO: Analisis Data UJI INSTRUMEN 3 A. Uji validitas dan Reliabilitas Kuesioner Salah satu masalah dalam suatu penelitian adalah bagaimana data yang diperoleh adalah akurat dan objektif. Hal ini sangat penting dalam penelitian karena kesimpulan penelitian hanya akan dapat dipercaya (akurat). Data yang kita kumpulkan tidak akan berguna bilamana alat pengukur yang digunakan untuk mengumpulkan data penelitian tidak mempunyai validitas dan reliabilitas yang tinggi. VALIDITAS Validitas berasal dari kata Validity yang mempunyai arti sejauhmana ketepatan suatu alat ukur dalam mengukur suatu data. Misalnya bila seseorang akan mengukur cincin, maka dia harus menggunakan timbangan emas. Dilain pihak bila seseorang ingin menimbang berat badan, maka dia harus menggunakan timbangan berat badan. Jadi dapat disimpulkan bahwa timbangan emas valid untuk mengukur berat cincin, tapi timbangan emas tidak valid untuk menimbang berat badan. RELIABILITAS Realibilitas adalah suatu ukuran yang menunjukkan sejauhmana hasil pengukuran tetap konsisten bila dilakukan pengukuran dua kali atau lebih terhadap gejala yang sama dan dengan alat ukur yang sama. Misalkan seseorang ingin mengukur jarak dari satu tempat ke tempat lain dengan menggunakan dua jenis alat ukur. Alat ukur pertama denganmeteran yang dibuatdari logam, sedangkan alat ukur kedua dengan menghitung langkah kaki. Pengukuran 54

SUTANTO PRIYO HASTONO: Analisis Data dengan meteran logam akan mendapatkan hasil yang sama kalau pengukurannya diulang dua kali atau lebih. Sebaliknya pengukuran yang dilakukan dengan kaki, besar kemungkinan akan didapatkan hasil yang berbeda kalau pengukurannya diulang dua kali atau lebih. Dari ilustrasi ini berarti meteran logam lebih reliable dibandingkan langkah kaki untuk mengukur jarak. CARA MENGUKUR VALIDITAS Untuk mengetahui validitas suatu instrumen (dalam hal ini kuesioner) dilakukan dengan cara melakukan korelasi antar skor masing-masing variabel dengan skor totalnya. Suatu variabel (pertanyaan) dikatakan valid bila skor variabel tersebut berkorelasi secara signifikan dengan skor totalnya. Teknik korelasi yang digunakan korelasi Pearson Product Moment: r = N (ΣXY)- (ΣXΣY) V[NΣX2 – (ΣX)2][NΣY2 – (ΣY)2] Keputusan uji: Bila r hitung lebih besar dari r tabel Æ Ho ditolak, artinya variabel valid Bila r hitung lebih kecil dari r tabel Æ Ho gagal ditolak, artinya variabel tidak valid CARA MENGUKUR RELIABILITAS Pertanyaan dikatakan reliabel jika jawaban seseorang terhadap pertanyaan adalah konsisten atau stabil dari waktu ke waktu. Jadi jika misalnya responden menjawab “tidak setuju” terhadap perilaku merokok dapat mempertinggi kepercayaan diri, maka jika beberapa waktu kemudian ia ditanya lagi untuk hal yang sama, maka seharusnya tetap konsisten pada jawabab semula yaitu tidak setuju. Pengukuran reliabilitas pada dasarnya dapat dilakukan dengan dua cara : 55

SUTANTO PRIYO HASTONO: Analisis Data a. Repeated Measure atau ukur ulang. Pertanyaan ditanyakan pada reponden berulang pada waktu yang berbeda (misal sebulan kemudian), dan kemudian dilihat apakah ia tetap konsistendengan jawabannya b. One Shot atau diukur sekali saja. Disini pengukurannya hanya sekali dan kemudian hasilnya dibandingkan dengan pertanyaan lain. Pada umumnya pengukuran dilakukan dengan One Shot dengan beberapa pertanyaan Pengujian reliabilitas dimulai dengan menguji validitas terlebih dahulu. Jadi jika pertanyaan tidak valid, maka pertanyaan tersebut dibuang. Pertanyaan- pertanyaan yang sudah valid kemudian baru secara bersama-sama diukur reliabilitasnya. 56

SUTANTO PRIYO HASTONO: Analisis Data KASUS: UJI VALIDITAS DAN RELIABILITAS KUESIONER Lakukan uji validitas dan reliabilitas kuesioner untuk mengetahui tingkat stress pekerja industri. Untuk mengukur stress digunakan 5 pertanyaan. Uji coba dilakukan pada 15 responden dengan bentuk pertanyaan sbb: 1. Apkah anda sering terpaksa bekerja lembur? 1. tidak pernah 2. jarang 3.kadang-kadang 4. sering 5. selalu 2. Menurut anda, apakah dalam hidup ini perlu bersaing? 1. tidak pernah 2. jarang 3. kadang-kadang 4. perlu 5. sangat perlu 3. Apakah anda mudah marah? 1. tidak 2. jarang 3. kadang-kadang 4. sering 5. Ya 4. Apakah anda sering terjadi konflik dengan keluarga? 1. tidak 2. jarang 3. kadang-kadang 4. sering 5. Ya 5. Apakah anda sering terjadi konflik dengan teman kerja? 1. tidak 2. jarang 3. kadang-kadang 4. sering 5. Ya Hasil pretest pada 15 responden, sbb: No P1 P2 P3 P4 P5 1 4 3 4 4 4 2 1 1 1 1 1 3 1 2 1 1 1 4 4 4 3 4 4 5 2 4 2 2 2 6 3 3 3 3 3 7 4 1 4 4 4 8 1 1 1 1 1 9 3 3 3 3 3 10 2 3 2 2 2 11 1 1 1 1 1 12 2 2 2 2 2 13 4 2 4 3 4 14 3 1 3 3 3 15 2 3 2 2 2 57

SUTANTO PRIYO HASTONO: Analisis Data Ujilah kelima pertanyaan diatas apakah sudah valid dan reliabel Penyelesaian: Langkahnya: 1. Masukkan data tersebut ke SPSS 2. Klik ‘Analyze’ 3. Pilih ‘Scale’ 4. Pilih ‘Reliability Analysis’ 5. Masukkan semua variabel ke dalam kotak ‘Items’ (ingat variabel yang masuk hanya variabel yang akan diuji saja, yaitu P1, P2, P3, P4 dan P5) bentuknya sbb: 58

SUTANTO PRIYO HASTONO: Analisis Data 6. Pada ‘Model’, biarkan pilihan pada ‘Alpha’ 7. Klik Option ‘Statistics’ 8. Pada bagian ‘Descriptives for’ klik pilihan ‘ítem’, Scale if Item deleted. 9. Klik ‘Continue’ 10. Klik ‘OK’., terlihat hasil outputnya sbb : Reliability Statistics Cronbach's N of Items Alpha 5 .928 Item Statistics sering terpaksa lembur Mean Std. Deviation N Bersaing dlm hidup 2.47 1.187 15 Mudah marah 2.27 1.100 15 konflik keluarga 2.40 1.121 15 konflik dgn teman 2.40 1.121 15 2.47 1.187 15 59

SUTANTO PRIYO HASTONO: Analisis Data Item-Total Statistics sering terpaksa lembur Scale Mean if Scale Corrected Cronbach's Bersaing dlm hidup Item Deleted Variance if Item-Total Alpha if Item Mudah marah Item Deleted Correlation konflik keluarga 9.53 Deleted konflik dgn teman 9.73 15.124 .963 .881 9.60 9.60 20.924 .328 .993 9.53 15.971 .915 .892 15.686 .955 .884 15.124 .963 .881 Interpretasi: Hasil analisis reliability memperlihatkan dua bagian. Bagian utama menunjukkan hasil statistik deskriptif masing-masing variabel dalam bentuk mean, varian dll. Pada bagian kedua memperlihatkan hasil dari proses validitas dan reliabilitas. Kaidah yang berlaku bahwa pengujian dimulai dengan menguji validitas kuesioner baru dilanjutkan uji reliabilitas. a. Uji Validitas Untuk mengetahui validitas kuesioner dilakukan dengan membandingkan nilai r tabel dengan nilai r hitung. *) Menentukan nilai r tabel Nilai r tabel dilihat dengan tabel r (pada lampiran) dengan menggunakan df = n- 2 Î 15-2=13. Pada tingkat kemaknaan 5%, didapat angka r tabel = 0,514 **) Menentukan nilai r hasil perhitungan Nilai r hasil dapat dilihat pada kolom “Corrected item-Total Correlation” ***) Keputusan Masing-masing pertanyaan/variabel dibandingkan nilai r hasil dengan nilai r tabel, ketentuan: bila r hasil > r tabel, maka pertanyaan tersebut valid. Kesimpulan: Terlihat dari 5 pertanyaan, ada satu pertanyaan yaitu P2 (r=0,3275) yang nilainya lebih rendah dari r tabel (r=0,514). Sehingga pertanyaan P2 tidak valid, sedangkan untuk pertanyaan P1, P3, P4 dan P5 dinyatakan valid. 60

SUTANTO PRIYO HASTONO: Analisis Data Langkah selanjutnya melakukan analisis lagi dengan mengeluarkan pertanyaan yang tidak valid. Lakukan prosedur/langkah seperti di atas yaitu: 1. Klik ‘Analyze’ 2. Pilih ‘Scale’ 3. Pilih ‘Reliability Analysis’ 4. Masukkan keempat variabel ke dalam kotak ‘Items’ (variabel P2 tidak ikut dianalisis) 5. Klik “OK” Kemudian muncul tampilan Output sbb: Reliability Statistics Cronbach's N of Items Alpha 4 .993 Item Statistics sering terpaksa lembur Mean Std. Deviation N Mudah marah 2.47 1.187 15 konflik keluarga 2.40 1.121 15 konflik dgn teman 2.40 1.121 15 2.47 1.187 15 Item-Total Statistics sering terpaksa lembur Scale Mean if Scale Corrected Cronbach's Mudah marah Item Deleted Variance if Item-Total Alpha if Item konflik keluarga Item Deleted Correlation konflik dgn teman 7.27 Deleted 7.33 11.495 .996 .988 7.33 7.27 12.095 .971 .994 12.095 .971 .994 11.495 .996 .988 Interpretasi: Sekarang terlihat bahwa dari keempat pertanyaan, semua mempunyai nilai r hasil (Corrected item-Total Correlation) berada di atas dari niali r tabel (r=0,514), sehingga dapat disimpulkan keempat pertanyaan tersebut valid. 61

SUTANTO PRIYO HASTONO: Analisis Data b. Uji Reliabilitas setelah semua pertanyaan valid semua, amnalisis dilanjutkan dengan uji reliabilitas. Untuk mengetahui reliabilitas caranya adalah; membandingkan nialia r hasil dengan r tabel.dalam uji reliabilitas sebagai nilai r hasil adalah nilai “Alpha” (terletak di akhir output). Ketentuannya: bila r Alpha > r tabel, maka pertanyaan tersebut reliabel Dari hasil uji di atas ternyata, nilai r Alpha (0,9935) lebih besar dibandingkan dengan nilai r tabel, maka keempat pertanyaan di atas dinyatakan reliabel. B. Uji Interrater Reliability Dalam melakukan penelitian dengan metode observasi seringkali antara peneliti dengan numerator (pengumpul data) terjadi perbedaan persepsi terhadap kejadian yang diamati. Agar data yang dihasilkannya valid, maka harus ada penyamaan persepsi antara peneliti dengan petugas pengumpul data (numerator). Uji interrater Reliability merupakan jenis uji yang digunakan untuk menyamakan persepsi antara peneliti dengan petugas pengumpul data. Alat yang digunakan untuk uji Interrater adalah uji statistik Kappa. Prinsip ujinya: bila hasil uji Kappa signifikan/bermakna maka persepsi antara peneliti dengan numerator sama, sebaliknya bila hasil uji kappa tidak signifikan/bermakna, maka persepsi antara peneliti dengan numerator terjadi perbedaan. Contoh : Suatu penelitian praktek keperawatan keluarga terdapat instrumen yang berbentuk observasi terhadap perilaku perawat merawat pasien. Pertanyaanya: 62

SUTANTO PRIYO HASTONO: Analisis Data Apakah dalam melakukan komunikasi dengan pasien bersifat ramah ? 1. ya 2. tidak Kemudian dilakukan uji coba dengan pengamatan sebanyak 10 pasien, adapun hasilnya sbb: No pasien peneliti numerator 112 222 311 421 511 622 711 822 922 10 2 2 Ujilah apakah ada kesepakatan antara peneliti dengan numerator: Langkah: 1. data di entry di SPSS 2. Klik analysis, sorot Descriptif, sorot dan klik Crostab 3. Masukkan variabel ‘peneliti’ ke bagian Row dan masukkan variabel ‘numerator’ ke bagian colom. 4. Klik tombol Statistic, klik Kappa 5. Klik Continue 6. Klik OK, dan hasilnya 63

SUTANTO PRIYO HASTONO: Analisis Data Symmetric Measures Measure of Agreement Kappa Value Asymp. Approx. Tb Approx. Sig. .583 Std. Errora 1.845 .065 .262 N of Valid Cases 10 a. Not assuming the null hypothesis. b. Using the asymptotic standard error assuming the null hypothesis. Hasil uji didapatkan nilai koefisien kapaa sebesar 0,583 dan p valuenya sebesar 0,065. Dengan hasil ini berarti p value > alpha berarti hasil uji kappa tidak signifikan/bermakna, sehingga kesimpulannya: ada perbedaan persepsi mengenai aspek yang diamati antara peneliti dengan numerator. 64

SUTANTO PRIYO HASTONO: Analisis Data PENGANTAR 4 ANALISIS DATA 1. Pendahuluan Setelah kita selesai melakukan pengolahan data, maka langkah selanjutnya adalah menganalisis data. Data mentah (raw data) yang sudah susah payah kita kumpulkan tidak akan ada artinya jika tidak dianalisis. Analisis data merupakan kegiatan yang sangat penting dalam suatu penelitian, karena dengan analisislah data dapat mempunyai arti/makna yang dapat berguna untuk memecahkan masalah penelitian. Analisis mempunyai posisi strategis dalam suatu penelitian. Namun perlu dimengerti bahwa dengan melakukan analisis tidak dengan sendirinya dapat langsung memberi jawaban penelitian, untuk itu perlu diketahui bagaimana menginterpretasi hasil penelitian tersebut. Menginterpretasi berarti kita menjelaskan hasil analisis guna memperoleh makna/arti. Interpretasi mempunyai dua bentuk, yaitu arti sempit dan arti luas. Interpretasi dalam arti sempit (deskriptif) yaitu interpretasi data dilakukan hanya sebatas pada masalah penelitian yang diteliti berdasarkan data yang dikumpulkan dan diolah untuk keperluan penelitian tersebut. Sedangkan interpretasi dalam arti luas (analitik) yaitu interpretasi guna mencari makna data hasil penelitian dengan jalan tidak hanya menjelaskan/menganalisis data hasil penelitian tersebut, tetapi juga melakukan inferensi (generalisasi) dari data yang diperoleh dengan teori-teori yang relevan dengan hasil-hasil penelitian tersebut. Pada umumnya analisis data bertujuan untuk: a. Memperoleh gambaran/deskripsi masing-masing variabel 65

SUTANTO PRIYO HASTONO: Analisis Data b. Membandingkan dan menguji teori atau konsep dengan informasi yang ditemukan c. Menemukan adanya konsepbaru dari data yang dikumpulkan d. Mencari penjelasan apakah konsep baru yang diuji berlaku umum atau hanya berlaku pada kondisi tertentu Seberapa jauh analisis suatu penelitian akan dilakukan tergantung dari: a. Jenis penelitian b. Jenis sampel c. Jenis data/variabel d. Asumsi kenormalan distribusi data a. Jenis Penelitian Jika ingin mengeahui bagaimana pada umumnya (secara rata-rata) pendapat masyarakat akan suatu hal tertentu, maka pengumpulan data dilakukan dengan survei. Dari kasus ini maka dapat dilakukan analisis data dengan pendekatan kuantitatif. Namun bila kita menginginkan untuk mendapatkan pendapat/gambaran yang mendalam tentang suatu fenomena, maka data dapat dikumpulkan dengan fokus grup diskusi atau observasi, maka analisisnya menggunakan pendekatan analisis kualitatif. c. Jenis Sampel Analisis sangat tergantung pada jenis sampel yang dibandingkan, apakah kedua sampel independen atau dependen. Misalnya pada penelitian survei yang tidak menggunakan sampel yang sama, dapat digunakan uji statistik yang mengasumsikan sampel yang independen. Misalkan survei untuk mengetahui apakah ada perbedaan berat badan bayi antara bayi-bayi yang dilahirkan dari ibu perokok dengan bayi-bayi dari ibu yang tidak merokok. Disini berarti kelompok ibu perokok dan kelompok ibu bukan perokok bersifat independen. 66

SUTANTO PRIYO HASTONO: Analisis Data Sedangkan untuk penelitian eksperimen yang sifatnya pre dan post (sebelum dan sesudah adanya perlakuan tertentu dilakukan pengukuran) maka uji yang digunakanadalah uji statistik utnuk data yang dependen. Misalnya, suatu penelitian ingin mengetahui pengaruh penelitian manajemen terhadap kinerja petugas kesehatan. Pertanyaan penelitiannya “Apakah ada perbedaan kinerja petugas kesehatan antara sebelum dan sesudah mendapatkan pelatihan manajemen?”. Dalam penelitian ini sampel kelompok petugas kesehatan bersifat dependen, karena pada kelompok (orang) yang sama diukur dua kali yaitu pada saat sebelum pelatihan (pre test) dan sesudah dilakukan pelatihan (Post Test). c. Jenis Data/Variabel Data denganjenis katagori berbeda cara analisisnya dengan data jenis numerik. Beberapa pengukuran/uji statistik hanya cocok untuk jenis data tertentu. Sebagai contoh, nilai proporsi/persentase (pada analisis univariat) biasanya cocok untuk menjelaskan data berjenis katagorik, sedangkan untuk data jenis numerik biasanya dapat menggunakan nilai rata-rata untuk menjelaskan karakteristiknya. Untuk analisis hubungan dua variabel (analsis bivariat), uji kai kuadrat hanya dapat dipakai untuk mengetahui hubungan data katagori dengan data katagori. Sebaliknya untuk mengetahui hubungan numerik dengan numerik digunakan uji korelasi/regresi. d. Asumsi Kenormalan Jenis analisis yang akan dilakukan sangat tergantung dari bentuk distribusi datanya. Bila distribusi datanya tidak normal, maka sebaiknya digunakan prosedur uji statitik nonparametrik. Sedangkan bila asumsi kenormalan dapat dipenuhi maka dapat digunakan uji statistik parametrik. Berikut ini akan dijelaskan langkah-langkah analisis (pendekatan kuantitatif): 1. Analisis Deskriptif (Univariat). 67

SUTANTO PRIYO HASTONO: Analisis Data Tujuan dari analisis ini adalah untuk menjelaskan/mendiskripsikan karakteristik masing-masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data numerik digunakan nilai mean (rata-rata), median, standard deviasi dan inter kuartil range, minimal maksimal. 2. Analisis Analitik (Bivariat) Setelah diketahui karakteristik masing-masing variabel dapat diteruskan analisis lebih lanjut. Apabila diinginkan analisis hubungan antar dua variabel, maka analisis dilanjutkan pada tingkat bivariat. Misalnya ingin diketahui hubungan antara berat badan dengan tekanan darah. Untuk mengetahui hubungan dua variabel tersebut biasanya digunakan pengujian statistik. Jenis uji statistik yang digunakan sangat tergantung jenis data/variabel yang dihubungkan. 3. Analisis Multivariat Merupakan analisis yang menghubungkan antara beberapa variabel independen dengan satu variabel dependen. Secara lebih khusus/detail analisis univariat, bivariat dan multivariat akan dipelajari pada bab tersendiri yaitu bab 5, 6 dan 7 68

SUTANTO PRIYO HASTONO: Analisis Data ANALISIS UNIVARIAT 5 ( DESKTIPTIF) Tujuan dari analisis ini adalah untuk menjelaskan/mendeskriptifkan karakteristik masing-masing variabel yang diteliti. Dalam analisis data kuantitatif kita dihadapkan pada kumpulan data yang besar/banyak yang belum jelas maknanya. Fungsi analisis sebetulnya adalah menyederhanakan atau meringkas kumpulan data hasil pengukuran sedemikian rupa sehingga kumpulan data tersebut berubah menjadi informasi yang berguna. Peringkasan tersebut berupa ukuran-ukuran statistik, tabel dan juga grafik. Secara teknis pada dasarnya analisis merupakan kegiatan meringkas kumpulan data menjadi ukuran tengah dan ukuran variasi. Selanjutnya membandingkan gambaran-gambaran tersebut antara satu kelompok subyek dan kelompok subyek lain, sesuai dengan tujuan yang ingin dicapai dalam analisis. Berbicara peringkasan data (yang berwujud ukuran tengah dan ukuran variasi) jenis data (apakah numerik atau katagorik) akan sangat menentukan bentuk peringkasan datanya. Berikut akan diuraikan bentuk/cara peringkasan data untuk data numerik dan data katagorik. 1. Peringkasan Data Untuk Data Jenis Numerik a. Ukuran Tengah Ukuran tengah merupakan cerminan dari konsentrasi nilai-nilai hasil pengukuran. Berbagai ukuran dikembangkan utnuk mencerminkan ukuran tengah tersebut, dan yang paling sering dipakai adalah mean, median dan mode/modus. 1). Mean 69

SUTANTO PRIYO HASTONO: Analisis Data Mean/average adalah ukuran rata-rata yang merupakan hasil dari jumlah semua nilai pengukuran dibagioleh banyaknya pengukuran. Secara sederhana perhitungan nilai mean dapat dituliskan dengan rumus : X = Σ Xi / n Keuntungan nilai mean adalah mudah menghitungnyadan sudah melibatkan seluruh data dalam penghitungannya. Namun kelemahan dari nilai mean adalah sangat dipengaruhi oleh nilai ekstrim, baik ekstrim tinggi maupun rendah. Oleh karena itu pada kelompok data yang ada nilai ekstrimnya (sering dikenal dengan ‘distribusi data yang menceng/miring’), Mean tidak dapat mewakili rata-rata kumpulan nilai pengamatan. Sebagai contoh data yang ada nilai ekstrimnya adalah data penghasilan. Apabila mean perndapatan perbulan adalah Rp 10.000.000,- , sebenarnya sebagian besar orang pendapatannya di bawah Rp 10.000.000,- . Mean sebesar Rp 10.000.000,- diperoleh karena tarikan sekelompok kecil orang (misalnya konglomerat) yang pendapatannya sangat tinggi. Dengan demikian penggunaan mean untuk data yang ada nilai ekstrimnya (data yang distribusinya menceng) kurang tepat. Contoh; ada 5 pasien diukur lama hari rawatnya : 1 hr, 3 hr, 4 hr, 2 hr, 90 hr. Mean = (1+3+4+2+90)/5 = 20 hr. Dari hasil penghitungan didapatkan rata-rata lama hari rawat 20 hari, hasil ini tendtunya tidak dapat mewakili karena secara visual datanya sebagian besar kurang dari 5 hari. Keadaan ini bisa terjadi karena kumpulan data di atas ada nilai ekstrimnya. 2). Median Median adalah nilai dimana setengah banyaknya pengamatan mempunyai nialai di bawahnya dan setengahnya lagi mempunyai nilai di atasnya. Berbeda dengan nilai mean, penghitungan median hanya mempertimbangkan urutan nilai dasil pengukuran, besar beda antar nilai di abaikan. Karena 70

SUTANTO PRIYO HASTONO: Analisis Data mengabaikan besar beda, maka median tidak dipengaruhi oleh nilai ekstrim. Prosedur penghitungan median melalui langkah a). Data diurutkan/di-array dari nilai kecil ke besar b). Hitung posisi median dengan rumus (n+1)/2 c). Hitung nilai mediannya Contoh ada usia 6 mahasiswa 20 th, 26 th, 24 th, 30 th, 40 th, 36 th Data diurutkan: 20, 24, 26, 30, 36, 40 Posisi = (6+1)/2 = 3,5 Mediannya adalah data yang urutannya ke 3,5 yaitu (26 + 30)/2 = 28 Jadi 50% mahasiswa berumur dibawah 28 tahun dan 50% mahasiswa berumur di atas 28 tahun 3). Mode/Modus Mode adalah nilai pengamatan yang mempunyai frekuensi/jumlah terbanyak. Contoh mode data umur mahasiswa: 18 th, 22 th, 21 th, 20 th, 23th, 20 th. Dari data tersebut berarti mode-nya adalah 20 tahun Bentuk Distribusi Data Hubungan nilai mean, median dan mode akan menentukan bentuk distribusi data: - Bila nilai mean, median dan mode sama, maka bentuk distribusi datanya normal - Bila nilai mean > median > mode, maka bentuk distribusi datanya menceng/miring ke kanan - Bila nilai mean < median < mode, maka bentuk distribusi datanya menceng /miring ke kiri 71

SUTANTO PRIYO HASTONO: Analisis Data b. Ukuran Variasi Nilai-nilai hasil pengamatan akan cenderung saling berbeda satu sama lain atau dengan kata lain hasil pengamatan akan bervariasi. Untuk menegtahui seberapa jauh data bervariasi digunakan ukuran variasi antara lain range, jarak linier kuartil dan standard deviasi. 1). Range Range merupakan ukuran variasi yang paling dasar, dihitung dari selisih nilai terbesar dengan nilai terkecil. Kelemahan range adalah dipengaruhi nilai ekstrim. Keuntungan penghitungan dapat dilakukan dengan cepat. 2). Jarak Inter Quartil Nilai observasi disusun berurutan dari nilai ke cil ke besar, kemudian ditentukan kuartil bawah dan atas. Kuartil merupakan pembagiandata menjadi 4 bagian yang dibatasi oleh tiga ukuran kuartil, yaitu kuartil I, kuartil II dan kuartil III. Kuartil I mencakup 25% data berada di bawahnya dan 75% data berada di atasnya. Kuartil II (median) mencakup 50% data berada di bawahnya dan 50% data berada di atasnya. Kuartil III mencakup 75% data berada di bawahnya dan 25% data berada di atasnya. Jarak inter kuartil adalah selisih anatar kuaril III dan kuaril I. Ukuran ini lebih baik dari range, terutama kalau frekuensi pengamatan banyak dan distribusi sangat menyebar. 3). Standard Deviasi Variasi data yang diukur melalui penyimpangan/deviasi dari nilai-nilai pengamatan terhadap nilai mean-nya. Rata-rata hitung dari kuadrat deviasi terhadap mean disebut varian, yang rumusnya; Varian = Σ(Xi – X)2 n 72

SUTANTO PRIYO HASTONO: Analisis Data Semakin besar nilai varian akan semakin bervariasi, karena satuan varian (kuadrat) yang tidak sama dengan satuan nilai pengamatan, maka dikembangkan suatu ukuran variasi yang mempunyai satuan yang sama dengan satuan pengamatan, yaitu Standard Deviasi. Standard Deviasi merupakan akar dari varian: Standard deviasi (S atau SD = Σ(Xi – X)2 n Seperti halnya varian, semakin besar SD semakin besar variasinya. Apabila tidak ada variasi, maka SD=0 Dari uraian tersebut dapat disimpulkan, untuk data numerik digunakan niali mean (rata-rata), median, standard deviasi dan inter quartil range, miinimal dan maksimal. Bila data yang terkumpul tidak menunjukkan adanya nilai ekstrim (distribusi normal), maka perhituungan nilai mean dan standard deviasi merupakan cara analisis univariat yang tepat. Seddangkan bila dijumpai nilai ekstrim 9distribusi data tidak normal), maka nilai nedian dan inter quartil range (IQR) yang lebih tepat dibandingkan nilai mean. 2. Peringkasan Data Katagorik Berbeda dengan data numerik, peringkasan, (baik ukuran tengah maupun ukuran variasi) tidak beragam jenisnya. Pada data katagorik peringkasan data hanya menggunakan distribusi frekuensi dengan ukuran persentase atau proporsi. Bila data berjenis katagorik, tentunya informasi/peringkasan yang penting disampaikan tidak mungkin/tidak lazim menggunakan ukuran mean atau median. melainkan informasi jumlah dan persentase yang disajikan. Untuk ukuran variasi, pada data katagorik variasi maksimal apabila jumlah antar katagori sama. 73

SUTANTO PRIYO HASTONO: Analisis Data Contoh: Kelas A: mahasiswa 50 dan mahasiswi 50 Kelas B: mahasiswa 90 dan mahasiswi 10 Pada kelas A, jenis kelamin mahasiswa bervariasi (heterogen) karena 50% pria dan 50% wanita. Pada kelas B, jenis kelamin mahasiswa tidak bervariasi (homogen pada pria) karena pria 90% dan wanita hanya 10%. 3. Bentuk Penyajian Data Bentuk penyajian analisis univariat dapat berupa tabel atau grafik. Namun perlu diingat bahwa kita dianjurkan hanya memilih salah satu, tidak diperkenankan secara sekaligus menggunakan tabel dan juga grafik dalam m,enyampaikan informasi suatu data/variabel. Contoh penyajian analisis deskriptif: a. Data numerik Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun 1999 Variabel Mean SD Minimal- Maksimal Median 1. Umur 30,3 10,1 17 – 60 31,1 2. Lama hari rawat 10,1 8,9 2 – 60 7,0 74

SUTANTO PRIYO HASTONO: Analisis Data b. Data katagorik Tabel 2 Distribusi Responden Menurut Tingkat Pendidikan Pasien Rumah sakit X tahun 1999 Pendidikan Jumlah Persentase SD 60 60,0 SMP 30 30,0 SMU 10 10,0 Total 100 100,0 Bagaimana menginterpretasi tabel di atas? “dilihat konsentrasi/jumlah yang terbesar data pada kelompok mana?” Selain untuk mendeskripsikan masing-masing variabel, analisis univariat dapat juga sekaligus untuk mengeksplorasi variabel yang dapat berguna dalam mendiagnosis asumsi statistik lanjut (terutama untuk variabel jenis numerik), misalnya apakah variannya homogen atau heterogen, apakah distribusinya normal atau tidak. Eksplorasi data juga dapat untuk mendeteksi adanya nilai ekstrim/outlier, bila ada nilai ekstrim sangat menentukan analisis selanjutnya (bivariat) apakah nilainya akan berkurang. 75

SUTANTO PRIYO HASTONO: Analisis Data KASUS : ANALISIS DESKRIPTIF (UNIVARIAT) Tujuan analisis ini adalah untuk mendeskripsikan karakteristik masing- masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data numerik digunakan nialai mean (rata-rata), median, standard deviasi dll. Sedangkan untuk data katagorik tentunya hanya dapat menjelaskan angka/nilai jumlah dan persentase masing-masing kelompok. Berikut akan dipelajari cara mengeluarkan analisis deskriptif di SPAA, dimulai untuk variabel katagorik (sebagai latihan digunakan variabel ‘pendidikan’) dan kemudian dilanjutkan variabel numerik (variabel umur). a. Data Katagorik Untuk menampilkan tabulasi data katagorik digunakan tampilan frekuensi. Sebagai contoh kita akan menampilkan tabel distribusi frekuensi untuk variabel pendidikan dari file ‘ASI.SAV’. 1. Dari menu utama SPSS pilih ‘Analyze’, kemudian ‘Descriptive Statistic’ dan pilih ‘Frequencies’, sehingga muncul tampilan: 2. Sorot variabel ‘didik’. Klik tanda panah dan masukkan ke kotak “Variable (s)” 76

SUTANTO PRIYO HASTONO: Analisis Data 3. Klik ‘OK’, hasil dapat dilihat di jendela output, seperti sbb: Frequencies Statistics pendidikan formal ibu menyusui N Valid 50 Missing 0 pendidikan formal ibu menyusui Valid 1 Frequency Percent Valid Percent Cumulative 2 10 20.0 20.0 Percent 3 11 22.0 22.0 20.0 4 16 32.0 32.0 42.0 Total 13 26.0 26.0 74.0 50 100.0 100.0 100.0 Kolom ‘Frequency’ menunjukkan jumlah kasus dengan nilai yang sesuai. Pada contoh di atas, total responden 50 orang, dari jumlah tersebut 10 ibu yang berpendidikan SD, proporsi dapat dilihat pada kolom ‘Percent’, pada contoh di atas ada 20% ibu yang berpendidikan SD. Kolom ‘Valid Percent’ memberi hasil yang sama karena pada data ini tidak ada ’missing cases’. ‘Cumulative Percent’ 77

SUTANTO PRIYO HASTONO: Analisis Data menjelaskan tentang persent kumulatif. Pada contoh di atas ada 42,0% ibu yang tingkat pendidikannya SD dan SMP. Dalam menginterpretasikan tabel katagorik dapat dilihat dari variasi dan konsentrasi datanya. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis. Adapun penyajian dan interpretasinya sbb: Tabel … Distribusi Responden Menurut Tingkat Pendidikan Di ………… X tahun …. Pendidikan Jumlah Persentase SD 10 20,0 SMP 11 22,0 SMU 16 32,0 PT 13 26,0 Total 50 100,0 Distribusi tingkat pendidikan responden hampir merata untuk masing-masing tingkat pendidikan. Paling banyak responden berpendidikan SMU yaitu 16 orang (32,0%) sedangkan untuk pendidikan SD, SMP dan PT masing-masing 20,0%, 22,0% dan 26,0%. b. Data Numerik Pada data numerik, peringkasan data dapat dilakukan dengan melaporkan ukuran tengah dan sebarannya. Ukuran yang digunakan adalah rata-rata, median dan modus. Sedangkan ukuran sebarannya (variasi) yang digunakan adalah range, standard deviasi, minimal dan maksimal. Pada SPSS ada dua cara untuk mengeluarkan analisis deskriptif yaitu dapat melalaui perintah ‘Frequencies’ atau perintah ‘Expolre’. Biasanya yang digunakan adalah 78

SUTANTO PRIYO HASTONO: Analisis Data Frequencies oleh karena ukuran statistik yang dapat dihasilkan pada menu ‘Frequencies’ sangat lengkap (seperti mean, median, varian dll), selain itu pada perintah ini juga dapat ditampilkan grafik histogram dan kurve normalnya. Berikut akan dicoba mengeluarkan analisis deskriptif untuk variabel umur dengan menggunakan perintah frequencies. 1. Aktifkan data “susu.sav” 2. Pilih ‘Analyze’ 3. Pilih ‘Descriptive Statistic’ 4. Pilih ‘Frequencies’, terlihat kotak frequencies: 5. Sorot variabel yang akan dianalisis, sorot umur, dan klik tanda panahsehingga umur masuk ke kotak variable (s). 6. Klik tombol option ‘Statistics…’, pilih ukuran yang anda minta misalnya mean, median, standard seviasi, minimum, maximum, SE. 79

SUTANTO PRIYO HASTONO: Analisis Data 7. Klik ‘Continue’ 8. Klik tombol option ‘Charts’ lalu muncul menu baru dan klik ‘Histogram’, lalu klik ‘With Normal Curve’ 9. Klik ‘Continue’ 10. Klik ‘OK’, dan pada layar terlihat distribusi frekuensi disertai ukuran statistik yang diminta dan dibawahnya tampak grafik histogram beserta curve normalnya. Frequencies Statistics 50 0 Umur ibu menyusui N Valid Missing 80

SUTANTO PRIYO HASTONO: Analisis Data Statistics 50 0 umur ibu menyusui N Valid 25.10 .686 Missing Mean 24.00 Std. Error of Mean 19 Median Mode 4.850 Std. Deviation 19 Minimum 35 Maximum umur ibu menyusui Valid 19 Frequency Percent Valid Percent Cumulative 20 7 14.0 14.0 Percent 21 3 6.0 6.0 14.0 22 3 6.0 6.0 20.0 23 5 10.0 10.0 26.0 24 5 10.0 10.0 36.0 25 4 8.0 8.0 46.0 26 2 4.0 4.0 54.0 27 5 10.0 10.0 58.0 30 3 6.0 6.0 68.0 31 3 6.0 6.0 74.0 32 3 6.0 6.0 80.0 34 3 6.0 6.0 86.0 35 2 4.0 4.0 92.0 Total 2 4.0 4.0 96.0 100.0 50 100.0 100.0 81

SUTANTO PRIYO HASTONO: Analisis Data Frequency 7 Histogram 6 5 20 25 30 Mean = 25.1 4 Std. Dev. = 4.85 3 umur ibu menyusui N = 50 2 1 35 0 15 Dari hasil di atas, nilai rata-rata dapat dilihat pada baris mean, sedangkan nilai standard deviasi dapat dilihat pada baris std. Seviation. Pada contoh di atas, rata-rata umur ibu adalah 25,10 tahun, median 24,0 tahun dan standard deviasi 4,85 tahun dengan umur termuda 19 tahun dan yang tertua 35 tahun. Distribusi frekuensi ditampilkan menurut umur termuda sampai dengan umur tertua dengan informasi tentang jumlah dan persentasenya. Bentuk distribusi data dapat diketahui dari grafik histogram dan kurve normalnya. Dari tampilan grafik dapat dilihat bahwa distribusi variabel umur berbentuk normal Dari hasil di atas belum diperoleh informasi estimasi interval yang penting untuk melakukan estimasi parameter populasi. Bila anda ingin memperoleh estimasi interval lakukan analisis eksplorasi data dengan perintah ‘Explore’. Adapun caranya sbb: 1. Dari menu utama SPSS, pilih menu ‘Analyze’, kemudian pilih submenu ‘descriptive Statistics’, lalu pilih ‘Explore’ 82

SUTANTO PRIYO HASTONO: Analisis Data 2. Isikan kotak ‘Dependent List’ dengan variabel ‘umur’, kotak ‘Factor List’ dan ‘Label Cases By’ biarkan kosong, sehingga tampilannya sbb: 3. Klik tombol ‘Plots’, dan pilih ‘Normality Plots With Test’ 4. Klik ‘Continue’ 5. Klik ‘OK’, hasilnya dapat dilihat di layar: Explore 83

SUTANTO PRIYO HASTONO: Analisis Data Descriptives umur ibu menyusui Mean Statistic Std. Error 25.10 .686 95% Confidence Interval for Mean Lower Bound 23.72 Upper Bound 26.48 5% Trimmed Mean 24.90 .337 Median 24.00 .662 Variance 23.520 Std. Deviation 4.850 Minimum Maximum 19 Range 35 Interquartile Range 16 Skewness Kurtosis 9 .547 -.812 Tests of Normality Kolmogorov-Smirnova Shapiro-Wilk Statistic df Sig. Statistic df Sig. 50 .035 .920 50 .002 umur ibu menyusui .130 a. Lilliefors Significance Correction umur ibu menyusui umur ibu menyusui Stem-and-Leaf Plot Frequency Stem & Leaf 7.00 1 . 9999999 20.00 2 . 00011122222333334444 10.00 2 . 5566666777 11.00 3 . 00011122244 3 . 55 2.00 Stem width: 10 Each leaf: 1 case(s) 84

SUTANTO PRIYO HASTONO: Analisis Data Normal Q-Q Plot of umur ibu menyusui Expected Normal 2 1 0 20 25 30 35 -1 -2 15 Observed Value 35 30 25 20 15 umur ibu menyusui 85

SUTANTO PRIYO HASTONO: Analisis Data Dari hasil analisis ‘Explore’ terlihat juga nilai mean, median dan mode. Namun yang paling penting dari tampilan explore munculnya angka estimasi interval. Dari hasil tersebut kita dapat melakukan estimasi interval dari umur ibu. Kita dapat menghitung 95% confidence interval umur yaitu 23,72 s.d. 26,48. jadi kita 95% yakin bahwa rata-rata umur ibu di populasi berada pada selang 23,72 sampai 26,48 tahun. Uji kenormalan data: Untuk mengetahui suatu data berdistribusi normal, ada 3 cara untuk mengetahuinya yaitu: 1. Dilihat dari grafik histogram dan kurve normal, bila bentuknya menyerupai bel shape, berarti distribusi normal 2. Menggunakan nilai Skewness dan standar errornya, bila nilai Skewness dibagi standar errornya menghasilkan angka ≤ 2, maka distribusinya normal 3. Uji kolmogorov smirnov, bila hasil uji signifkan (p value < 0,05) maka distribusi normal. Namun uji kolmogorov sangat sensitif dengan jumlah sampel, maksudnya : untuk jumlah sampel yang besar uji kolmogorov cenderung menghasilkan uji yang signifikan (yang artinya bentuk distribusinya tidak normal). Atas dasar kelemahan ini dianjurkan untuk mengetahui kenormalan data lebih baik menggunakan angka skewness atau melihat grafik histogram dan kurve normal 86

SUTANTO PRIYO HASTONO: Analisis Data Untuk variabel umur diatas, dilihat dari histogram dan kurve normal terlihat bentuk yang normal, selain itu hasil dari perbandingan skwness dan standar error didapatkan: 0,547/0,337 =1,62 , hasilnya masih dibawah 2, berarti distribusi normal. Dari hasil tersebut diatas dengan demikian variabel umur disimpulkan berdistribusi normal. Penyajian dan Interpretasi di Laporan Penelitian Dari angka-angka tersebut kemudian kita masukkan ke tabel penyajian di laporan penelitian/laporan tesis. Adapun penyajian dan interpretasinya adalah sbb: Tabel 1 Distribusi Umur dan Lama Hari Rawat pasien Rumah sakit X Tahun x Variabel Mean SD Minimal- Maksimal 95% CI Umur 25,10 4,85 19 - 35 23,72 – 26,48 Hasil analisis didapatkan rata-rata umur ibu adalah 25,10 tahun (95% CI: 23,72 – 26,48), dengan standar deviasi 4,85 tahun. Umujr termuda 19 tahun dan umur tertua 35 tahun. Dari hasil estimasi interval dapat disimpulkan bahwa 95% diyakini bahwa rata-rata umur ibu adalah diantara 23,72 sampai dengan 26,48 tahun. 87

SUTANTO PRIYO HASTONO: Analisis Data ANALISIS BIVARIAT 6 Setelah diketahui karakteristik masing-masing variabel dapat diteruskan analisis lebih lanjut. Pada analisis univariat, misalnya ada dua variabel : jenis pembayaran berobat dan kepuasan pasien, kita hanya melakukan pendeskripsian sendiri-sendiri untuk variabel jenis pembayaran dan kepuasan pasien. Untuk variabel jenis pembayaran akan diketahui berapa persen yang berobat dengan biaya sendiri dan berapa persen yang dibiayai askes. Begitu juga untuk variabel kepuasan pasien, akan diketahui berapa persen yang puas dan berapa persen yang tidak puas. Apabila diinginkan analisis hubungan antara dua variabel, dalam contoh diatas berarti kita ingin mengetahui hubungan jenis pembayaran dengan kepuasan pasien, maka analisis dilanjutkan pada tingkat bivariat. Pada analisis bivariat kita dapat mengetahui apakah ada perbedaan kepuasan pasien antara pasien dengan membayar sendiri dengan pasien dengan biaya askes. Kegunaan analisis bivariat bisa untuk mengetahui apakah ada hubungan yang siginifikan antara dua variabel, atau bisa juga digunakan untuk mengetahui apakah ada perbedaan yang signifikan antara dua atau lebih kelompok(sampel). Perbedaan Substansi/Klinis dan perbedaan Statistik Perlu dipahami/disadari bagi peneliti bahwa berbeda bermakna/signifikan secara statistik tidak berarti (belum tentu) bahwa perbedaan tersebut juga bermakna dipandang dari segi substansi/klinis. Seperti diketahui bahwa semakin besar sampel yang dianalisis akan semakin besar menghasilkan kemungkinan berbeda bermakna. Dengan sampel besar perbedaan-perbedaan sangat kecil, yang sedikit atau bahkan tidak mempunyai manfaat secara substansi/klinis dapat 88

SUTANTO PRIYO HASTONO: Analisis Data berubah menjadi bermakna secara statitik. Oleh karena itu arti kegunaan dari setiap penemuan jangan hanya dilihat dari aspek statistik semata, namun harus juga dinilai/dilihat kegunaannya dari segi klinis/substansi. Sebagai contoh ada studi eksperimen yang akan menguji dua obat (katakanlah obat A dan Obat B) untuk mengathui pengaruhnya terhadap penurunan tekanan darah. Kemudian obat A dan B diujicobakan pada dua kelompok relawan penderita hipertensi. Hasil eksperimen didapatkan bahwa rata-rata penurunan tekanan darah setelah minum obat A adalah 40 mmHg dan pada kelompok yang minum Obat B rata- rata penurunannya 39 mmHg. Kemudian dilakukan uji statistik dan hasilnya signifikan/bermakna (p value < alpha), apa yang dapat disimpulkan dari temuan ini? Secara statistik memang terjadi perbedaan bermakna, namun secara substansi tidaklah mempunyai perbedaan yang berarti, oleh karena perbedaan mean penurunan tekanan darah antara obat A dan B hanya 1 mmHg. Dengan hasil ini dapat disimpulkan bahwa sebenarnya antara obat A dan B tidak ada perbedaan (sama saja) kasiatnya. UJI HIPOTESIS Pengujian hipotesis dapat berguna untuk membantu pengambilan keputusan tentang apakah suatu hipotesis yang diajukan, seperti perbesaan atau hubungan, cukup menyakinkan untuk ditolak atau tidak ditolak. Keyakinan ini didasarkan pada besarnya peluang untuk memperoleh hubungan tersebut secara kebetulan (by chance). Semakin kecil peluang tersebut (peluang adanya by chance), semakin besar keyakinan bahwa hubungan tersebut memang ada. Sebagai contoh, seorang peneliti masalah imunisasi diminta untuk memutuskan berdasarkan bukti-bukti hasil percobaan, apakah suatu vaksin baru lebih baik daripada yang sekarang beraedar di pasaran. Untuk menjawab pertanyaan ini maka perlu dilakukan pengujian hipotesis. Dengan pengujian hipotesis akan diperoleh suatu kesimpulan secara probalistik apakah vaksin baru tersebut lebih baik dari yang sekarang beredar di pasaran atau malah sebaliknya. 89

SUTANTO PRIYO HASTONO: Analisis Data Prinsip uji hipotesis adalah melakukan perbandingan antara nilai sampel (data hasil penelitian) dengan nilai hipotesis (nilai populasi) yang diajukan. Peluang untuk diterima atau ditolaknya suatu hipotesis tergantung besar kecilnyanya perbedaan antara nilai sampel dengan nilai hipotesis. Bila perbedaan tersebut cukup besar, maka peluang untuk menolak hipotesis besar pula, sebaliknya bila perbedaan tersebut kecil, maka peluang untuk menolak hipotesis menjadi kecil. Jadi, makin besar perbedaan antara nilai sampel dengan nilai hipotesis, makin besar peluang untuk menolak hipotesis. Kesimpulan yang didapat dari hasil pengujian hipotesis ada dua kemungkinan yaitu menolak hipotesis dan menerima hipotesis (gagal menolak hipotesis). Perlu dipahami bahwa arti menerima hipotesis sebetulnya kurang tepat, yang tepat adalah gagal menolak hipotesis. Dalam uji hipotesis bila kesimpulannya menerima hipotesis, bukan berarti bahwa kita telah membuktikan hipotesis tersebut benar, karena benar atau tidaknya suatui hipotesis hanya dapat dibuktikan dengan mengadakan observasi pada seluruh populasi, dan hal ini sangat sulit bahkan tidak mungkin untuk dilakukan. Jadi menerima hipotesis sebetulnya artinya adalah kita tidak cukup bukti untuk menolak hipotesis, dengan kata lain dapat diartikan kita gagal menolak hipotesis. Untuk memperjelas pengertian bahwa “gagal menolak hipotesis berbeda dengan mengakui kebenaran hipotesis (menerima hipotesis”, kita coba analogkan proses persidangan kriminal di pengadilan. Seperti dalam sidang pengadilan, kegagalan membuktikan kesalahan tertuduh bukan berarti si tertudauh tidak bersalah atau sitertuduh benar. Pengadilan memutuskan bahwa si tertuduh tidak dapat dibuktikan bersalah, bukan memutuskan tidak bersalah. Dari uraian tersebut sangatlah jelas bahwa istilah yang tepat dalam kesimpulan uji hipotesis adalah gagal menolak hiopotesis, dan bukan menerima hipotesis. 1. Hipotesis Hipotesis berasal dari kata hupo dan thesis. Hupo artinya sementara/lemah kebenarannya dan thesis artinya pernyataan/teopri. Dengan 90

SUTANTO PRIYO HASTONO: Analisis Data demikian hipotesis berarti pernyataan yang perlu diuji kebenarannya. Untuk menguji kebenaran sebuah hipotesis digunakan pengujian yang disebut pengujian hipotesis. Dalam pengujian hipotesis dijumpai dua jenis hipotesis yaitu hipotesis nol (Ho) dan hipotesis alternatif (Ha). Berikut akan diuraikan lebih jelas tentang masing-masing hipotesis tersebut. a. Hipotesis Nol (Ho). Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara kedua kelompok. Atau hipotesis yang menyatakan tidak ada hubungan antara variabel satu dengan variabel lainnya Contoh: 1). Tidak ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok 2). Tidak ada hubungan antara merokok dengan berat badan bayi b. Hipotesis Alternatif (Ha) Hipotesis yang menyatakan ada perbedaan sesuatu kejadian antara kedua kelompok. Atau hipotesis yang menyatakan ada hubungan antara variabel satu dengan variabel lainnya Contoh: 1). Ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok 2). Ada hubungan antara merokok dengan berat badan bayi 2. Arah dan bentuk hipotesis Bentuk hipotesis alternatif akan menentukan arah uji statistik apakah satu arah (one tail) atau dua arah (twa tail) 91

SUTANTO PRIYO HASTONO: Analisis Data a. One tail (satu sisi): bila hipotesis alternatifnya menyatakan adanya perbedaan dan ada pernyataan yang mengatakan hal satu lebih tinggi/rendah dari hal lain. Contoh: Berat badan bayi dari ibu yang merokok lebih kecil dibanding berat badan bayi dari ibu tidak merokok. b. Two tail (dua sisi) merupakan hipotesis alternatif yang hanya menyatakan perbedaan tanpa melihat apakah hal satu lebih tinggi/rendah dari hal lain. Contoh: Berat badan bayi dari ibu yang merokok Berbeda dibanding berat badan bayi dari ibu tidak merokok. Atau dengan kata lain: ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dibandingkan dari ibu yang tidak merokok. Contoh penulisan hipotesis: Suatu penelitian ingin mengetahui hubungan antara jenis kelamin dengan tekanan darah, maka hipotesisnya sbb: Ho : μA = μB Tidak ada perbedaan mean tekanan darah antara laki-laki dan perempuan, atau Tidak ada hubungan antara jenis kelamin dengan tekanan darah. Ho : μA ≠ μB Ada perbedaan mean tekanan darah antara laki-laki dan perempuan, atau Ada hubungan antara jenis kelamin dengan tekanan darah 3. Menentukan Tingkat Kemaknaan (Level of Significance) Tingkat kemaknaan merupakan kesalahan tipe I suatu uji yang biasanya diberi notasi ‘α’. Seperti sudah diketahui bahwa tujuan dari pengujian hipotesis adalah untuk membuat suatu pertimbangan tentang perbedaan antara nilai sampel dengan keadaan populasi sebagai suatu hipotesis. Langkah selanjutnya setelah ktriteria/batasan yang digunakan untuk memutuskan apakah hipotesis nol ditolak atau gagal ditolak yang disebut dengan tingkat kemaknaan (Level of 92

SUTANTO PRIYO HASTONO: Analisis Data Significance). Tingkat kemakanaan, atau sering disebut dengan nilai α, merupakan nilai yang menunjukkan besarnya peluang salah dalam menolak hipotesis nol. Atau dengan kata lain, nilai α merupakan batas toleransi peluang salah dalam menolak hipotesis nol. Dengan kata-kata yang lebih sederhana, nilai α merupakan batas maksimal kesalahan menolak Ho. Bila kita menolak Ho berarti menyatakan adanya perbedaan/hubungan. Sehingga nilai α dapat diartikan pula sebagai batas maksimal kita salah dalam menyatakan adanya perbedaan. Penentuan nilai α (alpha) tergantung dari tujuan dan kondisi penelitian. Nilai α yang sering digunakan adalah 10%, 5%, atau 1%. Untuk bidang kesehatan masyarakat biasanya digunakan nilai α sebesar 5%. Sedangkan unutuk pengujian obat-obatan digunakan batas toleransi kesalahan yang lebih kecil misalnya 1%, karena mengandung risiko yang fatal. Misalkan seorang peneliti yang akan menentukan apakah suatu obat bius berkhasiat akan menentukan nilai α yang kecil sekali, peneliti tersebut tidak akan mau mengambil risiko bahwaketidak berhasilan obat bius besar karena akan berhubungan dengan nyawa seseorang yang akan dibius. 4. Pemilihan Jenis Uji Parametrik atau Non Parametrik Dalam pengujian hipotesis sangat berhubungan dengan distribusi data populasi yang akan diuji. Bila distribusi data populasi yang akan diuji berbentuk normal/simetris/Gauss, maka proses pengujian dapat digunakan dengan pendekatan uji statistik parametrik. Sedangkan bila distribusi data populasinya tidak normal atau tidak diketahuidistribusinya maka dapat digunakan pendekatan uji statistik non parametrik. Kenormalan suatu distribusi data dapat juga dilihat dari jenis variabelnya, bila variabelnya berjenis numerik/kuantitatif biasanya distribusi datanya mendekati normal/simetris, sehingga dapat digunakan uji statistik parametrik. Bila jenis variabelnya katagorik (kualitatif), maka bentuk distribusinya tidak normal, sehingga uji non parametrik dapat digunakan. 93

SUTANTO PRIYO HASTONO: Analisis Data Penentuan jenis uji juga ditentukan oleh jumlah data yang dianalisis, bila jumlah data kecil (<30) cenderung digunakan uji non parametrik. PROSEDUR/LANGKAH UJI HIPOTESIS Menetapkan Hipotesis Hipotesis dalam statistik dikenal dua macam yaitu hipotesis nol (Ho) dan hipotesis alternatif (Ha). 1). Hipotesis nol (Ho) Hipotesis yang menyatakan tidak ada perbedaan sesuatu kejadian antara kedua kelompok. Contoh: Tidak ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok 2). Hipotesis alternatif (Ha) Hipotesis yang menyatakan ada perbedaan sesuatu kejadian antara kedua kelompok. Contoh: Ada perbedaan berat badan bayi antara mereka yang dilahirkan dari ibu yang merokok dengan mereka yang dilahirkan dari ibu yang tidak merokok. Dari hipotesis alternatif akan diketahui apakah uji statistik menggunakan satu arah (one tail) atau dua arah (two tail). Penentuan Uji Statistik Yang Sesuai Ada beragam jenis uji statistik yang dapat digunakan. Setiap uji statistik mempunyai persyaratan tertentu yang harus dipenuhi. Oleh karena itu harus digunakan uji statistik yang tepat sesuai dengan data yang diuji. Jenis uji statistik sangat tergantung dari: 1). Jenis variabel yang akan dianalisis 2). Jenis data apakah dependen atau independen 94

SUTANTO PRIYO HASTONO: Analisis Data 3). Jenis distribusi data populasinya apakah mengikuti distribusi normal atau tidak. Sebagai gambaran, jenis uji statistik untuk mengetahui perbedaan mean akan berbeda dengan uji statistik untuk mengetahui perbedaan proporsi/persentase. Uji beda mean menggunakan uji t atau inova, sedangkan uji untuk mengetahui perbedaan proporsi digunakan uji Kai kuadrat. Menentukan Batas atau Tingkat Kemaknaan (Level og Significance) Batas/tingkat kemaknaan, sering juga disebut dengan nilai α. Penggunaan nilai alpha tergantung tujuan penelitian yang dilakukan, untuk bidang kesehatan masyarakat biasanya menggunakan nilai alpha 5%. Penghitungan Uji Statitik Penghitungan uji statistik adalah menghitung data sampel ke dalam uji hipotesis yang sesuai. Misalnya kalau ingin menguji perbedaan mean antara dua kelompok, maka data hasil pengukuran dimasukkan ke rumus uji t. Dari hasil dengan nilai populasi untuk mengetahui apakah ada hipotesis ditolak atau gagal menolak hipotesis. Keputusan Uji Statistik Seperti telah disebutkan pada langkah D, bahwa hasil pengujian statistik akan menghasilkan dua kemungkinan keputusan yaitu menolak hipotesis nol (Ho) dan gagal menolak hipotesisi nol. Seiring dengan kemajuan perkembangan komputer maka uji statistik dengan mudah dan cepat dapat dilakukan dengan program-program statistik yang tersedia di pasaran seperti Epi Info, SPSS, SAS dll. Setiap kita melakukan uji statistik melalui program komputer maka yang akan kita cari adalalah nilai p (p value). Dengan nilai p ini kita dapat menggunakan untuk keputusan uji statistik dengan cara membandingkan nilai p dengan α (alpha). Ketentuan yang berlaku adalah: 95

SUTANTO PRIYO HASTONO: Analisis Data a). Bila nilai p ≤ α, maka keputusannya adalah Ho ditolak b). Bila nilai p > α, maka keputusannya adalah Ho gagal ditolak Perlu diketahui bahwa nilai p two tail adalah 2 kali nilai p one tail berarti kalau tabel yang digunakan adalah tabel one tail sedangkan uji statistik yang dilakukan adalah two tail maka nilai p dari tabel harus dikalikan 2. dengan demikian dapat disederhanakan dengan rumus : nilai p two tail = 2 x nilai p one tail. Pendekatan probabilistik ini sekarang sudah mulai digunakan oleh para ahli statistik dalam pengambilan keputusan uji statistik. Pada modul ini dalam memutuskan uji statistik menggunakan pendekatan ini. Pengertian Nilai P Nilai p merupakan nilai yang menunjukkan besarnya peluang salah menolak Ho dari data penelitian. Nilai P dapat diartikan pula sebagai nilai besarnya peluang hasil penelitian (misal adanya perbedaan mean atau proporsi) terjadi karena faktor kebetulan (by chance). Harapan kita nilai p adalah sekecil mungkin, sebab bila nilai p-nya kecil maka kita yakin bahwa adanya perbedaan pada hasil penelitian menunjukkan pula adanya perbedaan di populasi. Dengan kata lain kalau nilai p-nya kecil maka perbedaan yang ada pada penelitian terjadi bukan karena faktor kebetulan (by chance). Contoh: Suatu penelitian ingin mengetahui hubungan riwayat hipertensi ibu hamil dengan berat badan bayi yang dikandungnya. Hasil penelitian melaporkan bahwa rata- rata berat badan bayi dari ibu hipertensi 200 gram, sedangkan rata-rata berat badan bayi yang lahir dari ibu yang tidak hipertensi adalah 3000 gram. Perbedaan berat bayi antara ibu yang hipertensi dengan ibu yang tidak hipertensi sebesar 100 gram. Pertanyaan yang timbul adalah apakah perbedaan berat badan bayi tersebut juga berlaku untuk seluruh populasi yang diteliti atau hanya faktor kebetulan saja?. Untuk menjawab pertanyaan tersebut kemudian dilakukan uji statistik yang tepat yaitu uji t. Miisalnya dihasilkan nilai p = 0,0110 96

SUTANTO PRIYO HASTONO: Analisis Data maka berarti peluang adanya perbedaan berat bayi sebesar 1000 gram akibat dari faktor kebetulan (by chance) adalah sebesar 0,0110. oleh karena peluangnya sangat kecil (p=0,0110), maka dapat diartikan bahwa adanya perbedaan tersebut bukan karena faktor kebetulan namun karena memang karena adanya riwayat hipetensi. Berikut adalah berbagai uji statistik yang dapat digunakan untuk analisis bivariat Variabel I Variabel II Jenis uji statistik yang digunakan Katagorik ↔ Katagorik - Kai kuadrat - Fisher Exact Katagorik ↔ Numerik - Uji T - ANOVA Numerik ↔ Numerik - Korelasi - Regresi 97

SUTANTO PRIYO HASTONO: Analisis Data ANALISIS BIVARIAT HUBUNGAN 7 KATAGORIK DENGAN NUMERIK Uji t Di bidang kesehatan sering kali kita harus menarik kesimpulan apakah parameter dua populasi berbeda atau tidak. Misalnya, apakah ada perbedaan tekanan darah penduduk dewasa orang kota dengan orang desa. Atau, apakah ada perbedaan berat badan antar sebelum mengikuti program diet dengan sesudahnya. Uji statistik yang membandingkan mean dua kelompok data ini disebut uji beda dua mean. Pendekatan ujinya dapat menggunakan pendekatan distribusi Z dan distribusi t , sehingga pada uji beda dua mean bisa menggunakan uji Z atau uji t, namun lebih sering digunakan uji t. Sebelum kita melakukan uji statistik dua kelompok data, kita perlu mengetahui apakah dua kelompok data tersebut berasal dari dua kelompok yang independen atau berasal dari dua kelompok yang dependen/pasangan. Dikatakan kelompok independen bila data kelompok yang satu tidak tergantung dari kelopok kedua, misalnya membandingkan mean tekanan darah sistolik orang desa dengan orang kota. Tekanan darah orang kota independen (tidak tergantung) dengan orang desa. Dilain pihak, kedua kelompok data dikatakan dependen/pasangan bila kelompok data yang dibandingkan datanya saling mempunyai ketergantungan, misalnya data berat badan sebelum dan sesudah mengikuti program diet berasal dari orang yang sama (data sesudah dependen/tergantung dengan data sebelum). 98

SUTANTO PRIYO HASTONO: Analisis Data Berdasarkan karakteristik data tersebut maka uji beda dua mean dibagi dalam dua kelompok, yaitu: uji beda mean independen (uji T independen) dan uji beda mean dependen (uji T dependen). 1. Uji beda dua mean independen Tujuan: untuk mengetahui perbedaan mean dua dua kelompok data independen, syarat yang harus dipenuhi: a. Data berdistribusi normal/simetris. b. Kedua kelompok data independen. c. Variabel yang dihubungkan berbentuk numerik dan katagorik (ket: variabel katagorik hanya dengan dua kelompok). Prinsip pengujian dua mean dua mean adalah melihat perbedaan variasi kedua kelompok data. Oleh karena itu dalam pengujian ini diperlukan informasi apakah varian kedua kelompok yang diuji sama atau tidak. Bentuk varian kedua kelompok data akan berpengaruh pada nilai standar error yang akhirnya akan membedakan rumus pengujiannya. a. Uji untuk varian sama Uji beda dua mean dapat dilakukan dengan menggunakan uji Z atau uji T. uji Z dapat digunakan bila standar deviasi populasi (σ) diketahui dan jumlah sampel besar (>30). Apabila kedua syarat tersebut tidak terpenuhi maka dilakukan uji . pada umumnya nilai σ sulit diketahui, sehingga uji beda dua mean biasanya menggunakan uji T (T Test). Untuk varian yang sama maka bentuk ujinya sbb: X1 – X2 T= Sp (1/n1) + (1/n2) (n1-1) S12 + (n2 – 1) S22 Sp2 = n1 – n2 - 2 99

SUTANTO PRIYO HASTONO: Analisis Data df = n1 – n2 - 2 Ket : n1 atau n2 = jumlah sampel kelompok 1 atau 2 S1 atau S2 = standar deviasi sampel kelompok 1 atau 2 b. Uji untuk varian berbeda X1 – X2 T= (S12/n1) + (S22/n2) [(S12/n1) + (S22/n2)]2 df = [(S12/n1)2/(n1-1)] + [(S22/n2)2/(n2-1)] c. Uji homogenitas varian Tujuan dari uji ini adalah untuk mengetahui varian antara kelompok data satu apakah sama dengan kelompok data yang kedua. S12 F= S22 df1 = n1-1 dan df2 = n2-1 Pada perhitungan uji F, varian yang lebih besar sebagai pembilang dan varian yang lebih kecil sebagai penyebut. 2. Uji beda dua mean dependen (Paired sample) Tujuan : Untuk menguji perbedaan mean anatara dua kelompok data yang dependen. Contoh kasus: 100