Catatan Sl 1.docx

SKILL LAB SPSS ANALISIS UNIVAIATE Ukuran Statistik : 1. Pake analyze  Desc Statistik  Freqency  masukin variable  click statistics  Centang yang diinginkan  continue 2. Pake analyze  Reports  Case summarize  masukan variable ke dependent variable  statistics  masukin statistika yang diinginkan  continue 3. Untuk ubah urutan row&colomn bisa click kanan  pivot trays  transpose Statistics N Valid

Std.

Missing

Mean

Median Deviation

Minimum Maximum

‘V4 = Umur’

250

0

50,93

50,00

12,853

22

80

‘V9 = Total

250

0

188,40

183,50

53,903

100

400

250

0

122,68

97,00

86,107

50

490

250

0

34,75

29,50

13,740

15

68

250

0

129,74

120,00

45,604

50

297

250

0

135,07

112,00

73,868

82

699

Kolesterol’ ‘V10 = Trigliserid Kolesterol’ ‘V11 = HDL Kolesterol’ ‘V12 = LDL Kolesterol’ ‘V13 = Gula Darah Sewaktu’

Normalitas Sebaran Data : Analyze  desc analyze  explore  masukan variable  plots  click test normality (Kolmogorov Smirnov : Jumlah data 50-250, Saphiro kalo data <50) Tests of Normality Kolmogorov-Smirnova Statistic

df

Sig.

Shapiro-Wilk Statistic

df

Sig.

‘V2 = Jenis Kelamin’

,353

250

,000

,636

250

,000

‘V9 = Total Kolesterol’

,088

250

,000

,921

250

,000

‘V10 = Trigliserid

,199

250

,000

,767

250

,000

,183

250

,000

,905

250

,000

,093

250

,000

,919

250

,000

,263

250

,000

,536

250

,000

Kolesterol’ ‘V11 = HDL Kolesterol’ ‘V12 = LDL Kolesterol’ ‘V13 = Gula Darah Sewaktu’ a. Lilliefors Significance Correction Penyebaran data :  liat dari Sig. Kalo < 5% (0.05) distribusi data tidak normal, tapi signfikan  kalo >5% (0,05) distribusi data normal tapi tidak signifika Arah korelasi  positif = satu naik, lainnya naik  negatif = satu naik, lainnya turun Kuatnya korelasi o 0-0,2 = sangat lemah o 0,2-0,4 = lemah o 0,4-0,6 = normal o 0,6-0,8 = kuat o 0,8-1 = sangat kuat

Distribusi Frekuensi Untuk liat distribusi frekuensi harus jenis data kategorik, jadi kalo misal jenis data masih numerik harus di recode dulu -

Bisa menggunakan syntax

-

Bisa manual : 1. Recode dulu : transform  recode into another variables  masukin variable tulis nama dan label variable baru  masukin old and new values 2. Analisis : Analyze  desc statistic  frequencies  masukin data kategori yang udah di recode  click charts (click bar charts  centang percentage)  continue

Distribusi Frekuensi Responden (E.g menurut Gula Darah) Gula Darah

Frequency Percent Valid Normal Pra Diabetic Diabetic Total

Valid

Cumulative

Percent

Percent

41

16,4

16,4

16,4

187

74,8

74,8

91,2

22

8,8

8,8

100,0

250

100,0

100,0

Untuk masukin data Persentase pake yang valid percent, untuk N (jumlah data) pake yang frequency

Distribusi Frekuensi Responden Menurut Obesitas Biar tau obesitas/ tidak harus cari nilai IMT dulu. Untuk masukin rumus IMT : o Bisa pake Syntax  otomatis lsg keluar hasil di output o Bisa manual : 1. Buat rumusnya dulu = Transform  Compute variable  msukin Variable target = IMT  Masukin rumus IMT (V5/(V6/100)**2.)  oke 2. Untuk ubah jadi kategori = transform  recode into another variable  dst 3. Masukin di values makna dari hasil dari recode 4. Cari distribusi data : analyze  desc statistic  frequency  masukin variable  charts  bar charts  percentage  oke

ANALISIS BIVARIATE Korelasi Korelasi digunakan untuk mengetahui kuatnya hubungan antara dua variabel meliputi Arah hubungan, kuat hubungan, dan signifikansi kuatnya hubungan. (a) Korelasi Pearson digunakan apabila sebaran data kedua variabel berdistribusi normal. (b) Korelasi Spearman digunakan apabila terdapat variabel yang sebaran datanya tidak normal (c) Korelasi Gamma digunkan apabila kedua variabel berskala ordinal dan kedudukannya setara

(d) Korelasi Sommer digunkan apabila kedua variabel berskala ordinal dan kedudukannya tidak setara (e) Korelasi Cramer digunkan apabila kedua variabel berskala nominal dan kedudukannya setara (f) Korelasi Lamda digunkan apabila kedua variabel berskala nominal dan kedudukannya tidak setara

Korelasi Gula Darah dan Variabel Faktor Risiko Variabel Gula Darah Kolesterol Total % Trigliserid % HDL % LDL % (*) p_value Korelasi Pearson (**) p_value Korelasi Spearman

p_value (*)

Yang ini bisa pake pearson jika sebaran data normal / pake Spearman jika sebaran data tidak normal. Analyze  correlate 

bivariate  masukin variable yang diinginkan  pilih

pearson/spearman  oke Karena ini korelasi Gula darah dan faktor risiko,maka yang dibaca yang gula darah di atas. Persentase diliat dari hasil pearsone’s correlation. P value diliat dari significance (Signifikan <5% , tidak signifikan >5%)

Korelasi Gula Darah dan Variabel Faktor Risiko Variabel Gula Darah Kolesterol Total % Trigliserid % HDL % LDL % (*) p_value Korelasi Gamma (**) p_value Korelasi Sommer

p_value (*)

Analyze  Desc Statistik  Cross tab  Masukin satu variable ke row, satu variable ke column (ambil data yang ordinal) Click statistic  Centang gamma dan sommer cells  centang row  Ok Korelasi Gula Darah dan Variabel Faktor Risiko

Variabel Gula Darah Kolesterol Total % Trigliserid % HDL % LDL % (*) p_value Korelasi Creamer (**) p_value Korelasi Lamda

p_value (*)

Korelasi creamer & Lamda digunakan untuk dua variabel kategorik yang nominal tidak bisa yang ordinal. Analyze  Desc statistics  crosstabs  Colomn =GDS kategorik, row=total kolestrol kategorik  click statistics  Centang lamda dan creamer  cells  centang observed dan row  ok Expected mengunakan angka yang seharusnya, kalo observed itu membulatkan ke angka yang bagus(pembulatan) Creamer setara/lamda tidak setara : ditentukan oleh peneliti, setara jika tidak saling mempengaruhi tapi jika saling mempengaruhi (dependent-independent) maka tidak setara Chy Square& Fisher Exact Chy Square digunakan untuk mengetahui signifikansi pengaruh variabel independen terhadap variabel dependen apabila kedua variabel tersebut merupakan variabel katagorik berskala nominal  Chy square Cuma bisa dipake kalo jumlahnya kurang dari 20% untuk data yang expected count < 5. Kalo lebih dari itu ambil yang fisher exact Analyze  Desc statistics  crosstabs  Colomn =GDS kategorik, row=total kolestrol kategorik  click statistics  Centang chi square  cells  centang observed dan row  ok

Independent T-Test & Mann Whitney  Kalo independent T-test kalo distribusi normal, kalo mann whitney klo distribusi tidak normal , jadi liat dulu distribusi data dengan uji normalitas (analyze  desc statistic  explore  variable independent, factor list = yang independent  oke  liat distribusi dari siig.) Cari dulu ukuran statistik pake case summaries Untuk independent T-test = Analize  compare means independent sample T-test  masukkin dependant dan independent variable  define group sesuai value  oke

Mann whitney = Analyze  non parametric  legacy dialogs  2 independent sample  masukin define group  centang mannwhitney  okay

Beda rerata gula darah menurutkolesterol dan jenis kelamin 1. Olah dulu data pria Data -> Selected Case  if  Masukin jenis kelamin V2=1 Dibagian data view ada yang dicoret coret  view  Value label = ternyata yang dicoret yang wanita(filter). Analyze report  case summary  masukin gula darah ke variebles dan grouping kolesterol total  statistic  masukin yang diinginkan  continue  yang keluar di output data pria Untuk normal pake one way = compare mean Tidak normal pake kruska = K dependent  variable GDS  Group Kolesterl total  define range 2. Olah data wanita Haus filter dan masukin filter baru V2=0  pria dicoret

One Way Anova&kruskal willis Mirip mann whitney Cuma bisa pake 3 variabel Analyze  compare mean  one way anova  masukka dependent & independent  oke Dari oneway anova tidak diketahui signifikansi, tahunya dari post hoc, jadi ulang lagi Analyze  one way anova  click post hoc  conteng bonferroni, tukey, scheffe, tamhane’s  Continue  options  centang homogenety...  oke Liat signifikan di hasil homogenety Tukey , scheffe, bonferroni = data homogen (terdistribusi normal) Tamhane = data tidak homogen (tidak terdistribusi normal)

THREEVARIATE

Tabel tiga dimensi Rerata GDS menurut dua variabel kategorik (usia & gender)  two way anova Jangan lupa hapus filter

Analyze  table  custom  drag gender di columns, HDL ke Rows  drag GDS yang numerik ke Column  Summary statistic  pindahkan count dan mean  apply  tutup

MULTIVAIATE

CONTOH KASUS : Seorang dokter ingin melakukan penelitian untuk melihat signifikansi perbedaan gula darah berdasarkan jenis kelamin. Alat yang digunakan adalah : Independent T-Test & Mann Whiteney Seorang dokter ingin melakukan penelitian untuk melihat kuatnya hubungan kolesterol dan Gula darah numerik terdistribusi normal. Alat yang digunakan adalah : Pearson’s