UJI KORELASI PEARSON Numerik dengan Numerik Data terdistribusi normal Langkah : 1. 2. 3. 4. 5. 6. 7. 8. Analyze Correlate Bivariate Masukkan variable yang akan diuji kedalam ‘variables’ Pada Correlation Coeficients centang uji ‘Pearson’ Pada Test of Significance centang ‘TwoTailed’ Pastikan Flag Significant Correlation tercentang OK UJI KORELASI SPEARMAN Numerik dengan Numerik Data TIDAK terdistribusi normal (uji nonparametric / alternative dari korelasi pearson) Langkah : 1. 2. 3. 4. 5. 6. 7. 8. Interpretasi : 1. Baca Sig (2-tailed) untuk melihat ada hub. Pearson Correlation untuk : nilai r (arah dan kekuatan hubungan ) 2. Kesimpulan : - Ho ditolak jika p < 0.05 (Terdapat hubungan yang signifikan antara variable x dengan variable y ) - Arah hubungan : positif atau negative - Kekuatan hubungan : 0 – 0,19 : sangat lemah 0,2 – 0,39 : lemah 0,4 – 0,59 : sedang 0,6 – 0,79 : kuat 0,8 – 1 : sangat kuat Analyze Correlate Bivariate Masukkan variable yang akan diuji kedalam ‘variables’ Pada Correlation Coeficients centang uji ‘Spearman’ Pada Test of Significance centang ‘TwoTailed’ Pastikan Flag Significant Correlation tercentang OK Interpretasi : 1. Baca Sig (2-tailed) untuk melihat ada hub. Correlation coefficient untuk : nilai r (arah dan kekuatan hubungan ) 2. Kesimpulan : - Ho ditolak jika p < 0.05 (Terdapat hubungan yang signifikan antara variable x dengan variable y ) - Arah hubungan : positif atau negative - Kekuatan hubungan : 0 – 0,2 : sangat lemah 0,2 – 0,39 : lemah 0,4 – 0,59 : sedang 0,6 – 0,79 : kuat 0,8 – 1 : sangat kuat UJI ONE WAY ANOVA Uji komparatif, > 2 kelompok, tidak berpasangan Data teristribusi normal Varian harus sama (homogen) Numerik dengan kategorik (kelp.perlakuan) Interpretasi : Tukey : Dikatakan berbeda ketika nilai tiap kelompok tidak berada dalam satu kolom yang sama Langkah : 1. Analyze, compare means, One way ANOVA 2. Masukkan variable yg akan diuji beda pada Dependent List 3. Masukkan variable kelp.perlakuan pada Factor List 4. Klik Options, pilih Homogeneity of Variance 5. Continue, OK Interpretasi : Test of Homogeneity of Variances kadar hemoglobin awal penelitian (g/dl) Levene Statistic 6,293 df1 df2 2 Sig. 27 ,006 Kesimpulan : Varian sama/ homogen jika p > 0,05, jka varian sama Tabel ANOVA bisa dibaca, jika tidak tabel ANOVA tidak bisa dibaca, gunakan uji non-parametrik Kruskall-Wallis Kesimpulan : Ho titolak jika p < 0,05 Paling tidak ada perbedaan ……. yang bermakna antara dua kelompok Langkah lanjutan : untuk menentukan kelompok yang berbeda lakukan uji Post Hoc 1. Langkah sama dengan uji one way-ANOVA 2. Aktifkan POST HOC, centang Tukey atau LSD LSD : dikatakan berbeda jika p < 0.05 UJI KRUSKAL-WALLIS Langkah : Jika syarat One way ANOVA tidak terpenuhi (data tidak terdistribusi normal dan varian tidak sama) 1. 2. 3. 4. Langkah : 1. 2. 3. 4. 5. Analyze Non parametric test K-Independent test Test variable list : variable yang akan diuji Grouping variable : Kelp, klik define range (karena 3 kelp, min =1 max=3, tergantung jumlah kelompok. Kalau 7 kelp, min=1 max=7) 6. Cont 7. Pastikan kruskal-wallis tercentang 8. OK 5. 6. 7. 8. Analyze Non parametric test 2-Independent test Test variable list : variable yang akan diuji beda Grouping variable : Kelp, klik define range (misal : kelp 1 dengan 2, min =1 max=2, Pastikan Mann Whitney U dicentang Continue OK Interpretasi : baca Asymp. Sig. (2-tailed) Test Statisticsa intake Fe Mann-Whitney U Interpretasi : Lihat tabel test statistics, baca sig Wilcoxon W 55,000 Z -3,795 Asymp. Sig. (2-tailed) Test Statisticsa,b Exact Sig. [2*(1-tailed Sig.)] kadar b. Not corrected for ties. Kesimpulan : (g/dl) Asymp. Sig. ,000b intervensi awal penelitian df ,000 a. Grouping Variable: kelompok hemoglobin Chi-Square ,000 ,076 Ho ditolak jika p < 0.05 2 ,962 a. Kruskal Wallis Test b. Grouping Variable: kelompok intervensi Kesimpulan : Ho ditolak jika p < 0.05 Paling tidak terdapat perbedaan …….. yang bermakna antara dua kelompok Langkah lanjutan : Untuk menentukan kelompok yang berbeda lakukan uji Post Hoc Mann Whitney-U, untuk masing-masing kelompok ( misal ada 3 kelompok, uji kelp 1 dengan 2, kelp 1 dengan 3, dan kelompok 2 dengan 3) (Ada perbedaan………antara kelompok x dengan kelompok y) Note : Jika nilai p value 0,000 ditulis 0,001 MULTIVARIAT : UJI REGRESI LINEAR Independen/dependen salah satu berupa skala numeric Sebelum uji multivariate, semua variable harus diuji bivariate pearson / spearman terlebih dahulu Yang bisa uji multivariate, jika p < 0,25 Langkah : 1. Analyze, regression, linear 2. Masukkan semua variable ke Kolom dependent : rata-rata tingkat keparahan MDQ, independen 6 variabel asupan, + umur, IMT 3. Method : backward 4. OK Interpretasi : baca tabel coefficient (tabel paling bawah) - - Kolom B utk tau persamaan regresi Kolom hijau = Constant = konstanta Kolom merah = a Kolom beta untuk tau nilai r nya Misal : nilai r = 0,206 (korelasi positif dengan kekuatan lemah) Persamaan regresi Y = konstanta + ax MULTIVARIAT : UJI REGRESI LOGISTIK Dari beberapa factor, dapat diketahui mana yang menjadi predictor utama suatu penyakit, dan bisa diprediksi berapa % peluang seseorang untuk menderita penyakit tsb. Data harus berbentuk kategorikal dengan 2x2. Perhatikan kasus dan control Sebelum uji multivariate, semua variable harus diuji bivariate chi square atau fisher exact terlebih dahulu Yang bisa uji multivariate, jika p < 0,25 Langkah : 1. analyze, regression, binary logistic, 2. categorical, blok semua variabel, pindahkan ke categorical bivariate, con’t 3. save, centang probabilities 4. Continue 5. Pilih option, cetang hosmer lemeshow, centang CI for Exp B (yg bsa diubah-ubah biasa digunakan 95%) 6. Continue 7. method : backward LR 8. OK Interpretasi : - - Lihat tabel : Variable in the equation (yang paling bawah ) Kekuatan hub. Dapat dilihat dari nilai OR pada kolom “Exp (B)” Persamaan yang di dapat : Y = kostanta + ax Yang dimasukkan ke persamaan : codingnya (yg dilihat di output) missal tinggi kodenya 1, rendah kodenya 2 Maka akan didapat persamaan regresi, Lalu dimasukkan ke rumus probabilitas p = 1 / ( 1 + e-y) Persamaan regresi berdasarkan tabel diatas : Y(MDQ) = 0,966 + 0,001(%Kalium)- 0,003 (%Ca) + 0,005 (%Fe) e = konstanta dalam probabilitas = 2,7 Tabel yang dibaca pada regresi logistik : - Berdasarkan output variable yang paling berpengaruh terhadap skor keparahan menstruasi adalah Vitamin B6. Persamaan regresi Y= K + ax K = -4,431 a = 1,706 Persamaan regresinya Y= -4,431 + 1,706 (Vit B6) Contoh soal : Remaja putri yang dalam sehari memiliki asupan vit B6 yang rendah, maka berapakah probabilitas untuk mengalami keparahan dari sindroma PMS? Lihat coding vit B6 : kurang codingnya 1 Categorical Variables Codings kategoriFe kurang kategori B1 kategori B6 kategori kalium2 Parameter coding ncy (1) 141 1,000 9 ,000 kurang 120 1,000 cukup 30 ,000 kurang 127 1,000 cukup 23 ,000 kurang 65 1,000 cukup 85 ,000 kurang 142 1,000 8 ,000 cukup kategori kalsium Freque cukup Asupan kurang Y= -4,431 + 1,706 (Vit B6) Y= -4,431 + 1,706 (1) = -2,725 Lalu dimasukkan ke rumus probabilitas p = 1 / ( 1 + e-y) e = konstanta dalam probabilitas = 2,7 p = 1 / (1 + 2,72,725) = 1 / (1 + 14,97) = 1 / 15,97 = 0,0625 ………6,25 % Jadi, probabilitas remaja putri untuk menderita sindrom PMS pada asupan B6 yang kurang adalah 6,25% Asupan cukup Y= -4,431 + 1,706 (Vit B6) Y= -4,431 + 1,706 (0) = -4,431 Lalu dimasukkan ke rumus probabilitas p = 1 / ( 1 + e-y) e = konstanta dalam probabilitas = 2,7 p = 1 / (1 + 2,74,431) = 1 / (1 + 81 ) = 1 / 82 = 0,0121 ………1,21 % Jadi, probabilitas remaja putri untuk menderita sindrom PMS pada asupan B6 yang cukup adalah 1,21 % PAIRED T-TEST UJI WILCOXON Parametrik Uji beda 2 kelompok, berpasangan Terdistribusi normal Non parametrik Uji beda dua kelompok, berpasangan Data TIDAK terdistribusi normal Langkah : Langkah : 1. Analyze, compare means, paired sample t test 2. Paired variable, variable 1 : yg sebelum, variable 2: yg sesudah 3. OK 1. Analyze, non parametric, legacy dialogs, 2related sample tes Interpretasi : yang dibaca Sig. (2-tailed) Jika p < 0,05 H0 ditolak Terdapat perbedaan yang signifikan antara rata-rata………. dengan ………… Tabel hubungan : Paired Sampled Test, baca Sig. (2-tailed) Tabel kekuatan hubungan : Paired Samples Correlations, baca Sig Contoh : r = 0,847 (kekuatan hubungan sangat kuat) 2. Paired variable, variable 1 : yg sebelum, variable 2: yg sesudah (sama dengan paired t test) 3. pastikan Wilcoxon terceklis 4. OK Interpretasi ; yang dibaca Asymp.Sig. (2-tailed) Jika p < 0,05 H0 ditolak Terdapat perbedaan yang signifikan antara rata-rata ………. dengan ………… INDEPENDENT T-TEST Uji beda 2 kelompok tidak berpasangan Data terdistribusi normal Langkah : 1. Analyze 2. Compare means Independen Sample TTest 3. Test variable isikan variable yang akan dianalisis : misal Kadar Hb Awal 4. Grouping isikan kelompok yang akan dianalisis : Status Infeksi cacing 5. Define group : memilih kelompok mana pada data view yang akan dibandingkan isikan nomor pengkategorian misal 0 = terinfeksi cacing, 1 = tidak terinfeksi 6. OK MANN WHITNEY U TEST Uji non parametric untuk Independent t-test Data TIDAK terdistribusi normal Langkah : 1. 2. 3. 4. 5. 6. 7. Analyze Non parametric test Legacy dialogs 2 Independent Sample Test variable list : misal IMT Grouping : misal infeksi cacing OK Interpretasi : Jika p < 0,05 H0 ditolak Terdapat perbedaan yang signifikan antara rata-rata ………. dengan ………… Interpretasi : Test Statisticsa Jika Levene Test < 0,05 yang dibaca yang indeks massa bawah, dan sebaliknya tubuh (kg/m2) Mann-Whitney U Jika p < 0,05 H0 ditolak Terdapat perbedaan yang signifikan antara rata-rata………. dengan ………… Wilcoxon W Z 57,000 357,000 -,780 Asymp. Sig. (2-tailed) Exact Sig. [2*(1-tailed Sig.)] ,436 ,462b a. Grouping Variable: status infeksi cacing b. Not corrected for ties. UJI VALIDITAS UJI RELIABILITAS Langkah : Langkah : 1. 2. 3. 4. 1. 2. 3. 4. Analyze Bivariate Correlate Pastikan pearson, two tailed, flag significant correlation tercentang 5. Masukkan ke 10 pertanyaan dan total skor pertanyaan 6. OK Sebelumnya, Harus buat dulu total pertanyaan dari semua pertanyaan Transform, Compute Variabel Interpretasi : Pertanyaan valid jika nilai p pada setiap pertanyaan < 0,05 (yang dibaca Kolom Paling kanan yang baris nomor 2) 5. 6. 7. 8. Analyze Scale Reliability analysis Masukkan pertanyaan yang valid saja (3,4,5,6,7) Statistic Centang scale if item detected Continue OK Interpretasi : Reliability Statistics Cronbach's N of Items Alpha ,466 5 Reliable jika nilai Cronbach’s Alpha lebih dari 0,6 Contoh : Nilai cronbach’s alfa nya : 0,466 Tidak reliable hanya bisa digunakan untuk penelitian saat ini saja, tidak bisa untuk penelitian berikutnya REVIEW UJI NORMALITAS Yang bisa diuji normlaitas adalah sata Interval / Ratio (continues/angka) 1. Jika data < 50 pakai tabel SHAPIRO -WILK 2. Jika data ≥ 50 pakai tabel KOLMOGOROV SMIRNOV Data dikatakan normal jika p > 0,05 Langkah : 1. Analyse 2. Statistic Descriptive 3. Explore 4. Masukkan variable yang akan diuji normalitasnya 5. Klik statistics, centang Descriptive 6. Continue 7. Klik Plots, centang Normality Plot with test 8. Continue 9. Pastikan Display centang Both 10. OK Contoh : sampel 30 yang dilihat adalah SHAPIRO-WILK Tests of Normality Kolmogorov-Smirnova Statistic df Shapiro-Wilk Sig. Statistic df Sig. lama pendidikan ( tahun) ,185 30 ,010 ,937 30 ,074 Normal berat badan (kg) ,156 30 ,062 ,950 30 ,170 Normal tinggi badan (cm) ,275 30 ,000 ,789 30 ,000 kadar hemoglobin awal ,202 30 ,003 ,905 30 ,011 ,217 30 ,001 ,894 30 ,006 serumm ferritin ,208 30 ,002 ,836 30 ,000 Tranferrin receptor ,236 30 ,000 ,880 30 ,003 intake Fe ,145 30 ,109 ,924 30 ,035 indeks massa tubuh ,164 30 ,038 ,915 30 ,020 penelitian (g/dl) kadar hemoglobin akhir penelitian (g/dl) (kg/m2) 11. TRANSFORMASI DATA Ketika data tidak normal 5 cara 1. X2 2. X3 3. 1/x 4. Akar dari x 5. Log 10 dari x Jika tetap tidak normal, lakukan uji non parametric Langkah : 1. 2. 3. 4. Transform Compute variable Beri nama variable baru (target variable dan labelnya) Pilih variable yang akan ditransformasi dan masukkan kedalam kotak Numeric Expression dan sesuaikan dengan rumus : Misal : variable yang akan ditransformasi Intake_Fe a. X2 Rumus : =Intake_Fe*Intake_Fe b. X3 Rumus : =Intake_Fe*Intake_Fe*Intake_Fe c. 1/x Rumus = 1/Intake_Fe d. Akar dari x Dari kotak Function Grup pilih Arithmetic Dari kotak Function and Special Variables pilih SQRT, klik panah ke atas Rumus = SQRT(Intake_Fe) e. Log 10 dari x Dari kotak Function Grup pilih Arithmetic Dari kotak Function and Special Variables pilih Log 10, klik panah ke atas Rumus = Log 10(Intake_Fe) 5. Lakukan lagi uji normalitas untuk melihat apakah data setelah ditransformasi normal/tidak 6. Jika tetap tidak normal lakukan uji non parametric END
