MODUL

MANAJEMEN DATA

Tim Penyusun
Mustakim
Fitriani Umar

PROGRAM STUDI KESEHATAN MASYARAKAT

FAKULTAS ILMU KESEHATAN
UM PAREPARE
2019

Modul Manajemen Data i

 Kata Pengantar

Puji Syukur kami panjatkan atas kehadirat Allah SWT, atas limpahan rahmat dan
petunjukNya, sehingga modul Manajemen Data Prodi Kesehatan Masyarkat
Fakultas Ilmu Kesehatan UM Parepare dapat diselesaikan.

Modul ini menyajikan mengenai analysis data kesehatan, baik dengan

menggunakan bantuan data analysis (add-ins) Microsoft Excel dan menggunakan
software SPSS

Kami menyadari masih terdapat kekurangan dalam modul ini untuk itu kritik dan
saran terhadap penyempurnaan modul ini sangat diharapkan. Semoga modul ini
dapat memberi maanfaat bagi mahasiswa FIKES khususnya dan bagi semua
pihak yang membutuhkan.

Parepare, 01 Juni 2019

Tim Penyusun

Modul Manajemen Data i

 Daftar Isi

Kata Pengantar....................................................................................... i
Daftar Isi ............................................................................................... ii
Modul 1 Analisis Statistik Deskriptif dengan menggunakan Microsoft Excel ... 1
Modul 2 Cara Menghitung Korelasi Menggunakan Excel.............................. 10
Modul 3 Mengenal Program SPSS ............................................................. 13
Descriptive Statistics Frequencies ............................................................. 27
Modul 4 Descriptives ............................................................................... 42
Modul 5 Explore...................................................................................... 46
Modul 6 Ratio ......................................................................................... 52
Modul 7 Chi-Square dan Hubungan Antar Variabel Kategorikal .................... 58
Modul 8 Statistik Induktif (Uji T, One Sample T Test
dan Independent Sample T Test) ................................................ 65
Daftar Pustaka

Modul Manajemen Data ii

 MODUL 1 Manajemen Data PRODI KESMAS

Analisis Statistik Deskriptif dengan menggunakan Microsoft Excel

Statistik Deskriptif (Statistic Descriptive) adalah cabang ilmu statistika

yang mempelajari tentang cara pengumpulan dan penyederhanaan data-data
yang diperoleh kemudian menyajikan data-data tersebut menjadi informasi yang
bermanfaat dan lebih menarik serta mudah dimengerti.

Informasi yang diperoleh dari Analisis Statistik Deskriptif antara lain adalah

 Pemusatan data (Mean, Median, Modus)

 Penyebaran data (Standar Deviasi, Varian, Range) dan
 Kecenderungan sekelompok data.

Ada 2 (dua) cara yang dapat dilakukan dalam mempergunakan Microsoft Excel
untuk menghitung semua jenis Statistik Deskriptif yaitu:

 Fungsi-fungsi Excel (AVERAGE, MEDIAN, COUNT, MIN, MAX, STDEV.S)

 Data Analysis yang lebih mudah dan Praktis.

A. FUNGSI EXCEL

Berikut adalah fungsi kategori statistik yang digunakan metode statistik deskriptif

 Fungsi AVEDEV
Fungsi ini digunakan untuk menghasilkan nilai rata-rata untuk deviasi mutlak
data point, rata-rata, dimana AVEDEV merupakan ukuran dari variabel data set
dan dipengaruhi oleh unit measurement (sistem pengukuran) pada data input.
Rumus deviasi rata-rata adalah :

 Fungsi AVERAGE
Fungsi ini digunakan untuk menghasilkan nilai rata-rata yang akan dicari nilai
rata-rata dari sederetan argumen.
 Fungsi AVERAGEA
Fungsi ini digunakan untuk mencari nilai rata-rata dari suatu argumen yang berisi
data angka , teks, dan nilai logika.
 Fungsi AVERAGEIF
Fungsi ini digunakan untuk mencari nilai rata-rata dari range berisi data dengan
kriteria tertentu.
 Fungsi CORREL

1
 Fungsi ini digunakan untuk menghasilkan hubungan koefisien dari sel range
untuk array 1 dan array 2. Sebagai contoh, anda bisa menggunakan fungsi ini
untuk menguji suatu hubungan temperatur rata-rata dari Air Conditioner (AC).
Rumus untuk persamaan korelasi koefisien adalah:

 Fungsi COUNT
Fungsi ini digunakan untuk menghitung jumlah sel yang berisi data numerik dari
sebuah daftar.
 Fungsi COUNTA
Fungsi ini menghitung jumlah sel-sel yang berisi data (tidak kosong) tanpa
memperhatikan tipe datanya. Gunakan fungsi COUNTA untuk menghitung jumlah
sel yang berisi data dalam sebuah range atau array.
 Fungsi COVAR
Fungsi ini digunakan untuk menghasilkan nilai kovarian, nilai rata-rata dari hasil
deviasi untuk tiap-tiap pasangan data angka.
Rumus fungsi kovarian ini adalah:

 Fungsi KURT
Fungsi ini menghasilkan nilai kurtosis dari sekelompok data.
 Fungsi LARGE
Fungsi ini digunakan untuk menghasilkan nilai terbesar dari sekelompok data.
Syntax : =LARGE(array;k)
- Array : range yang berisi data numerik.
- K : posisi nilai (dari yang terbesar) dalam sebuah array atau alamat range
 Fungsi MAX
Fungsi ini digunakan untuk mencari nilai terbesar dari sederatan bilangan.
 Fungsi MEDIAN
Fungsi ini menghitung nilai tengah dari sekelompok bilangan. Jika kumpulan
bilangan memiliki jumlah genap, nilai median yang dihasilkan adalah nilai rata-
rata dari dua nilai yang terletak di tengah-tengah kumpulan bilangan.
 Fungsi MIN
Fungsi ini digunakan untuk menghitung nilai terkecil dari sederetan bilangan.
 Fungsi MODE
Fungsi ini menghasilkan nilai tertentu yang paling sering muncul dari suatu
kelompok bilangan.
 Fungsi STDEV
Fungsi ini memperkirakan nilai deviasi standar pada sebuah sampel.
 Fungsi STDEVA
Fungsi ini menghasilkan nilai perkiraan selisih baku berdasarkan pada sebuah
sampel. Selisih baku adalah suatu ukuran luasnya nilai-nilai pembubaran dari
sebuah nilai rata-rata.

Modul Manajemen Data 2

B. DATA ANALYSIS

Mengaktifkan Data Analysis pada Microsoft Excel:

1. Klik tombol Office Button (Tabs Home ver. 2010-2016)

2. Klik tombol Excel Options (Options ver. 2010-2016)
3. Pilih dan klik Add-ins
4. Klik tombol Go pada Manage Excel Add-ins
5. Beri tanda centang Analysis Toolpak dan Analysis Toolpak-VBA.
6. Klik tombol OK.
7. Tunggu proses instalasi selesai.

Menggunakan Data Analysis pada Microsoft Excel:

1. Pilih tab Data  klik tombol Data Analysis

2. Pilih Analysis Tools yang dibutuhkan
3. Klik tombol OK.

No. Add-in Penjelasan

1. Access Links Digunakan untuk membuat data dalam bentuk

Microsoft Acces, tetapi data diimpor dari Microsoft
Excel (imports Excel data into Access).

2. Analysis ToolPak Menambahkan analysis tools and functions dalam

bentuk finansial, statistik, dan tehnik.

3. Autosave Add-In Menyimpan data (workbooks) secara otomatis.

4. Template Utilities Berhubungan dengan fasilitas template yang ada di

Ms.Excel

5. Update Add-In Links Untuk melakukan pembaharuan (update) pada

program Add-Ins

Analysis Tool terdiri dari bermacam-macam alat analisa dan kegunaannya, yaitu:

1 Anova: Single Factor Analysis of Variance dengan faktor tunggal. Untuk

menguji hipotesis dari dua/lebih sampel yang sama
(yang ditarik dari populasi yang sama).

2 Anova: Two-Factor Alat analisa ini merupakan perluasan dari Anova

With Replication Single Factor, meliputi sampel yang lebih dari satu
dari masing-masing kelompok data.

3 Anova: Two-Factor Analisa two-factor anova ini tidak lebih dari satu
Without Replication sampel per group.

Modul Manajemen Data 3

 4 Correlation Korelasi.

5 Covariance Analisa kovarian.

6 Descriptive Statistics Analisa deskriptif statistik.

7 Exponential Smooting Alat analisa ini merumuskan suatu nilai berdasarkan

peramalan.

8 F-Test Two Sample Menghitung F hitung.

for Variances

9 Fourier Analysis Untuk menyelesaikan masalah linear systems dan

analisa data periodik (analyzes periodic data).

10 Histogram Histogram.

11 Moving Average Alat analisa ini dan rumusannya didasarkan pada rata-
rata nilai variabel.

12 Random Number Alat analisa ini mengisi jarak dengan angka acak yang
Generation bebas salah satu dari beberapa distribusi. Contoh:
Bernoulli Distribusi.

13 Rank and Percentile Ranking dan persentil.

14 Regression Regresi.

15 Sampling Sampling.

16 t-Test: Paired Two Menghitung t hitung dengan sampel berpasangan.

Sample for Means

17 t-Test: Two-Sample Menghitung homoscedastic.

Assuming Equal
Variances

18 t-Test: Two-Sample Menghitung heteroscedastic.

Assuming Unequal
Variances

19 z-test: Two Sample Untuk menguji hipotesis tentang perbedaan antara dua
for Means populasi.

Untuk dapat lebih memahami cara Analisis Statistik Deskriptif dengan

menggunakan Microsoft Excel, berikut ini adalah contoh kasus dan langkah-
langkah penyelesaiannya.

Modul Manajemen Data 4

Contoh Kasus Statistik Deskriptif

Seorang Manager Rumah Sakit ingin mengetahui kondisi kerusakan dari 15 Mesin
Pengisap lendir yang berada dibawah pengawasannya, Manager rumah sakit
tersebut kemudian mengumpulkan data berdasarkan total waktu kerusakan
dalam sebulan. Berikut ini adalah data-datanya :

Jumlah waktu kerusakan

Nama Mesin
(menit)
Mesin 1 90
Mesin 2 100
Mesin 3 80
Mesin 4 98
Mesin 5 110
Mesin 6 180
Mesin 7 80
Mesin 8 70
Mesin 9 200
Mesin 10 60
Mesin 11 65
Mesin 12 95
Mesin 13 99
Mesin 14 120
Mesin 15 80

Penyelesaian dengan menggunakan Analysis ToolPak Microsoft Excel :

1. Buka Program Microsoft Excel

2. Masukan data yang telah didapat kedalam Worksheet Excel.
3. Aktifkan Tools Add In dengan cara Pilih Panah kecil di bagian sebelah
kanan Customize Quick Access ToolBar [More Commands] (Tabs Home
ver. 2010-2016)
4. Pada kotak dialog Excel Options Pilih [Customize] > [Choose commands
from, pilih All Commands]> lalu pilih [Add Ins..] > lalu klik tombol
[Add] kemudian klik tombol OK

Modul Manajemen Data 5

 Gambar 1. Excel Options

5. Setelah tools Add ins.. telah muncul pada Customize Quick Access
ToolBar, tinggal aktifkan Add Ins.. > Add-Ins Available beri tanda mark
pada Analysis ToolPak > OK, klik tombol yes untuk memulai proses
instalasi.

Gambar 2. Kotak Dialog Add-Ins

6. Di Menu Bar, Klik [Data]

Modul Manajemen Data 6

7. Klik [Data Analysis] pada Menu Bar Data, maka akan muncul
Window “Data Analysis”seperti Gambar 3 :

Gambar 3. Kotak Dialog Data Analysis

8. Pilih [Descriptive Statistics]

9. Klik [OK], maka akan muncul Window “Descriptive Statistics”
10. Pada Kotak Input Range, Klik tombol “selection” untuk seleksi atau blok
daerah data yang akan dianalisis (B5:B20) atau ketikan
langsung $B$5:$B$20 ke dalam Kotak Input Range.
11. Di opsi pilihan Grouped by, klik [Columns] karena data kita adalah
menurun atau dalam kolom.
12. Centang [Labels in first Raw] untuk menampilkan Keterangan pada
data yang sudah dianalisis.
13. Pada Output Options, pilih [New Worksheet Ply] dan ketikan “Hasil
Analisis Deskriptif”. Langkah ini untuk menempatkan hasil analisis ke
Worksheet yang baru tapi masih berada di Workbook atau file yang sama.
Catatan : Penamaan Worksheet tidak boleh melebihi 31 karakter dan
tidak boleh menggunakan simbol seperti “-, +, /, *” dan simbol-simbol
lainnya.
14. Centang [Summary Statistics].
15. Centang [Confidence Level for Mean] dan ketikan ” 95%”.
16. Centang [Kth Largest] dan ketikan 2. Langkah ini untuk menampilkan
data tertinggi kedua.
17. Centang [Kth Smallest] dan ketikan 2, Langkah ini untuk menampilkan
data terendah kedua.

Modul Manajemen Data 7

 Gambar 4. Kotak Dialog Data Analysis Descriptive Statistics

18. Klik [OK].

19. Maka Hasil Analisis Statistik Deskriptif akan muncul di Worksheet baru
yang berjudul “Hasil Analisi Deskriptif”.

Gambar 5. Output Data Analysis Descriptive Statistics

Interpretasi :
Mean adalah Rata-rata jumlah waktu kerusakan mesin dalam sebulan
adalah 101.8 menit, dengan standard Error 10.21
Median adalah Nilai tengah dari Jumlah waktu kerusakan yaitu 95 menit.

Modul Manajemen Data 8

 Mode adalah nilai yang paling sering muncul yaitu 80 menit.
Standard Deviation atau Standar Deviasi adalah 39.56 menit.
Sample Variance adalah Varian waktu kerusakan mesin yaitu 1564.74
yang juga merupakan kuadrat dari Standar Deviasi.
Kurtosis waktu kerusakan adalah 2.38
Skewness waktu kerusakan adalah 1.66
Range waktu kerusakan adalah 140 menit yaitu selisih dari waktu
kerusakan tertinggi dengan waktu kerusakan terendah.
Minimum adalah data waktu kerusakan mesin yang terendah yaitu 60
menit.
Maximum adalah data waktu kerusakan mesin yang tertinggi yaitu 200
menit.
Sum adalah jumlah waktu kerusakan dari semua mesin yang diteliti yaitu
1527 menit.
Count adalah jumlah mesin yang diteliti yaitu 15 mesin.
Largest(2) menunjukan waktu kerusakan yang tertinggi nomor dua dari
semua mesin yang diteliti yaitu 180 menit.
Smallest(2) menunjukan waktu kerusakan yang terendah nomor dua dari
semua mesin yang diteliti yaitu 65 menit.
Dengan menggunakan “Data Analysis” Microsoft Excel, Analisis terhadap
Statistik Deskriptif dapat diperoleh dengan cepat dan juga mudah
dilakukan.

Dengan menggunakan bantuan Formula Ms. Excel penyelesaian kasus tersebut

dapat diselesaikan dengan formula seperti pada gambar 6. Hasil penggunaan
formua akan menghasilkan nilai yang sama dengan penggunaan Data Analysis
Ms. Office Excel.

Gambar 6. Kumpulan Formula Descriptive Statistics Ms. Office Excel

Modul Manajemen Data 9

 MODUL 2 Manajemen Data PRODI KESMAS

Cara Menghitung Korelasi Menggunakan Excel

Jika anda ingin menghitung nilai korelasi dari variabel x dan y dengan melakukan
cara menghitung manual tentunya akan membutuhkan proses analisis yang
begitu panjang, untuk menghitung korelasi tersebut anda bisa menggunakan Ms.
Office Excel tanpa perlu menggunakan program statistik yang canggih seperti
SPSS. Rumus statistik yang digunakan untuk menghitung nilai korelasi adalah
sebagai berikut:

Nilai korelasi itu berada diantara -1 sampai dengan 1. Jika nilainya positif maka
bisa dikatakan kedua variabel tersebut mempunyai hubungan yang positif atau
searah maksudnya kenaikan nilai variabel x juga akan diikuiti oleh kenaikan nilai
variabel y begitu pula sebaliknya, namun jika nilainya negatif maka bisa
dikatakan kedua variabel tersebut mempunyai hubungan yang negatif atau
berlawanan arah maksudnya kenaikan nilai variabel x akan diikuti dengan
penurunan nilai variabel y.

Adapun fungsi Excel untuk menghitung korelasi variabel x dan y, yaitu

=CORREL(array1;array2)

dimana array1 = rentang sel yang berisi nilai variabel x array2 = rentang sel
yang berisi nilai variabel y. Sebagai contoh, seseorang ingin meneliti keterkaitan
antara uang saku mahasiswa prodi kesehatan masyarakat dengan nilai hasil
ujiannya. Hasil analisis korelasi dua variabel tersebut akan memberikan hasil
analisis yang dapat dijadikan sebagai dasar untuk menarik sebuah kesimpulan.

Modul Manajemen Data 10

 Gambar 6. Tabel Variabel Uang Saku dan Nilai Ujian Mahasiswa

Coba anda hitung korelasi antara pemberian uang saku dengan hasil nilai ujian.
Untuk menghitung nilai korelasi tersebut, coba anda ketik pada sel C8 , yaitu

=CORREL(B2:B7;C2:C7)

maka akan diperoleh nilai korelasinya 0,487 ini menunjukkan bahwa korelasi
antara uang saku dengan nilai hasil ujiannya tidak terlalu kuat. Proses analisis
lain yang dapat digunakan adalah dengan menggunakan Data Analysis Ms. Office
Excel (Data Analysis> Correlation)

~Analisis Data dengan Data Analysis >Correlation

1. Pilih Tab Data> Data Analysis >Correlation

Gambar 7. Kotak Dialog Data Analysis

Modul Manajemen Data 11

2. Setelah muncul kotak dialog Correlation Blok Data yang akan dianalisis pada
Input Range, lalu berikan nama sheet pada New Worksheet Ply, lalu klik
tombol OK

Gambar 7. Kotak Dialog Data Analysis-Correlation

3. Setelah di OK muncul hasil sebagai berikut:

Gambar 8. New Worksheet/ Output Data Analysis-Correlation

Berdasarkan output hasil analisis variabel uang saku dan nilai ujian
mahasiswa prodi kesehatan masyarakat yaitu sebesar 0,48724, dapat ditarik
sebuah kesimpulan bahwa tidak ada keterkaitan antara uang saku dengan
nilai ujian mahasiswa.

Modul Manajemen Data 12

 MODUL 3 Manajemen Data PRODI KESMAS

A. MENGENAL PROGRAM SPSS

SPSS merupakan program untuk olah data statistik yang paling populer
dan paling banyak pemakaiannya di seluruh dunia dan banyak digunakan oleh
para peneliti untuk berbagai keperluan seperti riset pasar, untuk menyelesaikan
tugas penelitian seperti skripsi, tesis, disertasi, dan sebagainya. Awalnya. SPSS
merupakan singkatan dari Statistica Package for the Sosial Sciences karena
program ini mula-mula dipakai untuk meneliti ilmu-ilmu sosial. Namun, siring
perkembangannya dari waktu ke waktu SPSS penggunaannya semakin luas
untuk berbagai bidang ilmu seperti bisnis, pertanian, industri, ekonomi, psikologi,
dan lain-lain sehingga sampai sekarang kepanjangan SPSS adalah Statistical
Product and Service Solution.

B. MENGAKTIFKAN PROGRAM SPSS

Untuk mengaktifkan program SPSS, langkah-langkahnya sebagai berikut:

1. Lakukan klik ganda pada icon SPSS pada desktop atau ikon pada start menu.

Gambar 9. Kotak dialog SPSS

2. Klik Cancel untuk memulai membuat variabel dan data baru.

Modul Manajemen Data 13

C. MENGENAL HALAMAN SPSS

1. Menubar

a. File

Menu File digunakan untuk keperluan yang berhubungan dengan file

data, seperti membuka data baru, output baru, membuka database,
menutup file, menyimpan, print, dan sebagainya.

Gambar 10. Menu File

b. Edit

Menu Edit digunakan untuk keperluan yang berhubungan dengan

perbaikan dan pengubahan data, seperti undo, redo, cut, copy, clear,
insert variable, insert case, dan sebagainya.

Modul Manajemen Data 14

 Gambar 11. Menu Edit

c. View

Menu View digunakan untuk mengatur toolbar pada halaman SPSS

seperti status bar, font, value label, dan sebagainya.

Gambar 12. Menu View

Modul Manajemen Data 15

 d. Data

Menu Data digunakan untuk membuat perubahan data SPSS secara

keseluruhan, seperti mengurutkan data, validasi data,
menggabungkan data, membagi data, pembobotan, dan sebagainya.

Gambar 13. Menu Data

e. Transform

Menu Transform digunakan untuk membuat perubahan pada variabel

yang telah dipilih dengan kriteria tertentu, seperti compute variable,
rank cases, create time series, dan sebagainya.

Modul Manajemen Data 16

 Gambar 14. Menu Transform

f. Analyze

Menu Analyze digunakan untuk olah data atau menganalisis data,

seperti analisis deskriptif, analisis korelasi, regresi, log linear, dan
sebagainya.

Gambar 15. Menu Analyze

Modul Manajemen Data 17

 g. Graphs

Menu Graphs digunakan untuk membuat grafik, seperti Bar, Dot, Line,
Pie, Histogram, Boxsplot, dan sebagainya.

Gambar 16. Menu Graphs

h. Utilities

Menu Utilities digunakan untuk mengatur tampilan menu, Data File

Comment, Run Script, dan Sebagainya.

Gambar 17. Menu Utilities

Modul Manajemen Data 18

 i. Add-ons

Menu Add-ons adalah menu yang berisi tentang aplikasi tambahan,

service, dan sebagainya yang dapat dilihat di SPSS website.

Gambar 18. Menu Add-ons

j. Window

Menu Window digunakan untuk split file, minimize all, windows, dan
sebagainya.

Gambar 19. Menu Window

k. Help

Menu Help digunakan untuk bantuan informasi mengenai program

SPSS yang dapat diakses secara mudah dan jelas.

Modul Manajemen Data 19

 Gambar 20. Menu Help

2. Toolbar

Gambar 21. Menubar dan Toolbar pada halaman SPSS Data Editor

Keterangan toolbar

: Open data document, yaitu untuk membuka file data SPSS.

: Save this document, yaitu untuk menyimpan file data.
: Print, yaitu untuk mencetak halaman.
: Recall recently used dialogs, yaitu untuk menampilkan alat analisis
yang sebelumnya pernah dibuka melalui menubar Analyze.
: Undo a user action, yaitu untuk menghapus data yang baru saja
diketik atau untuk mengembalikan data yang baru saja telah dihapus
atau diubah dengan perintah tertentu.
: Redo a user action, yaitu untuk membatalkan perintah undo.
: Go to Case, yaitu untuk menuju ke kasus atau data nomor tertentu.
: Go to Variable, yaitu untuk menuju ke variable tertentu.
: Variables, yaitu untuk menampilkan informasi tentang variabel yang
telah dibuat.

Modul Manajemen Data 20

 : Find, yaitu untuk mencari data dalam variabel yang telah diinput.
: Insert Cases, yaitu untuk menyisipkan data (cases) dengan membuat
baris kosong.
: Insert Variable, yaitu untuk menyisipkan variabel.
: Split File, yaitu untuk membagi file ke dalam subgrup.
: Weight Cases, yaitu untuk memberikan bobot yang berbeda pada data
tertentu.
: Select Cases, yaitu untuk menentukan data (case) tertentu yang akan
dianalisis.
: Value Labels, yaiitu untuk memunculkan nama value dari data jenis
kategori (nominal atau ordinal).
: Use Variable Sets, yaitu untuk memilih kumpulan variable.

3. Halaman Kerja

a. Variable View

Halaman Variable View digunakan untuk memasukkan dan

mendefiniskan variabel.

Gambar 22. Variable View

Modul Manajemen Data 21

 1) Name
Kolom Name digunakan untuk memberikan nama variabel.
2) Type
Kolom Type digunakan untuk menentukan tipe dat.
3) Width
Kolom Width digunakan untuk menentukan lebar kolom.
4) Decimals
Kolom Decimals digunakan untuk memberikan nilai desimal
atau angka di belakang koma.
5) Label
Kolom Label digunakan untuk memberi nama variabel.
6) Values
Kolom Values digunakan untuk memberikan value atau nilai
untuk data nominal dan ordinal (misalnya 1=laki-laki,
2=perempuan).
7) Missing
Kolom Missing digunakan untuk menentukan data yang hilang.
8) Columns
Kolom Columns digunakan untuk menentukan lebar kolom.
9) Align
Kolom Columns digunakan untuk menentukan rata kanan, kiri,
atau tengah.
10) Measure
Digunakan untuk menentukan tipe atau ukuran data, yaitu
nominal, ordinal, atau skala.

Gambar 23. Memasukkan Variabel

Berikut adalah contoh tampilan variabel pada Variable View

b. Data View

Halaman Data View digunakan untuk memasukkan data pada kolom

variabel yang telah dibuat.

Modul Manajemen Data 22

 Gambar 24. Data View

D. MEMASUKKAN VARIABEL PADA VARIABLE VIEW

1. Pada halaman kerja SPSS klik tab Variable View. Kemudian, klik kolom
Name, lalu beri nama misalnya y.
2. Klik pada kolom Type. Kemudian klik kotak kecil pada Type. Maka, akan
muncul kotak dialog Variable Type.

Gambar 25.Variable Type

Modul Manajemen Data 23

 a. Numeric, yaitu tipe data bentuk angka.
b. Comma, yaitu tipe data bentuk angka yang menggunakan koma.
(Jika penataan layout pada komputer menggunakan bahasa Inggris,
maka penunjukan desimal akan terlihat menggunakan titik, misalnya
100.00).
c. Dot, yaitu tipe data bentuk angka yang menggunakan titik. (Jika
pengaturan layout pada komputer menggunakan bahasa inggris,
maka penunjukan desimal akan terlihat menggunakan koma, misalnya
100,00).
d. Scientific notation, yaitu tipe data bentuk angka yang
menggunakan notasi bilangan, misalnya 5.0E+04 (50.000).
e. Date, yaitu tipe data bentuk tanggal.
f. Dollar, yaitu tipe data menggunakan satuan dolar.
g. Custom currency, yaitu tipe data bentuka angka seperti penulisan
nilai mata uang, misalnya 1,234.56.
h. String, yaitu tipe data dapat berupa kalimat atau angka yang akan
menjadi label dan tidak dapat diperhitungkan nilainya.

3. Pilih salah satu type data yang sesuai, misalnya Numeric, kemudian klik
tombol OK.
4. Pada Width anda dapat menambahkan atau mengurangi lebar data,
misanya 4 atau 10.
5. Pada Decimals anda dapat menambahkan atau mengurangi desimal
misalnya menjadi 3 desimal.
6. Pada Label anda dapat memberikan nama untuk variable. Jika kolom ini
dikosongkan, nama variabel akan diambil dari kolom Name. Ketikkan
misalnya Jenis Kelamin.
7. Pada Values. Jika data anda adalah kategori (misalnya tipe nominal) dan
ingin membuat bahwa 1=Laki-laki dan 2=Perempuan, maka langkah-
langkahnya adalah dengan mengklik kotak kecil. Selanjutnya, pada kotak
dialog Value Label isilah kotak Value dengan angka 1, sedangkan kotak
“Value Label” dengan Laki-laki. Kemudian klik tombol Add. Selanjutnya,
ulangi langkah di atas, tetapi dengan mengisi kotak Value dan Label
secara berturut-turut dengan angka 2 dan Perempuan. Setelah itu, klik
tombol OK. (lihat gambar berikut)

Modul Manajemen Data 24

 Gambar 26. Mengisi Value Label

8. Kolom Missing Value digunakan jika ada data yang hilang atau tidak
digunakan. Jika tidak ada, abaikan kolom ini.

Gambar 27. Kotak Dialog Missing Values

9. Pada Column anda dapat mengatur lebar kolom dengan mengubah

angkanya.
10. Pada Align anda dapat mengatur rata kiri, tenga, atau kanan.
11. Pada Measure, pilih sesuai jenis data yang anda gunakan, yaitu:
a. Scale: Data bukan hasil kategorisasi (data interval atau rasio),
misalnya berat badan, usia, tingkat penjualan, biaya promosi, dan
sebagainya.

Modul Manajemen Data 25

 b. Ordinal: Data hasil kategorisasi atau klasifikasi, misalnya 1=Laki-laki,
2=Perempuan; atau 1=Yogjakarta, 2=Bandung.
Gambar berikut memperlihatkan pemasukan data pada Data View.

Gambar 28. Memasukkan Data pada Data View

E. MENYIMPAN DATA

Untuk menyimpan data, klik File  Save atau klik toolbar yang
bergambar disket. Selanjutnya, pada kotak dialog Save Data As yang terbuka,
plih direktori untuk menyimpan file anda. Kemudian, berikan nama file dan
lanjutkan dengan mengklik Save.

Gambar 29. Menyimpan File Data

Modul Manajemen Data 26

 DESCRIPTIVE STATISTICS
A. FREQUENCIES

Frequencies atau analisis frekuensi dipakai untuk menghitung frekuensi

data pada variabel untuk analisis statistik seperti percentile values, central
tendency, dispersion, dan distribution, serta untuk menampilkan grafik.
Kegiatan statistik berhubungan dengan angka. Data yang berupa angka
akan diolah menjadi berbagai output yang relevan. Mengolah angka dan
menyajikannya dalam bentuk tabel atau grafik. Statistik Deskriptif lebih
berhubungan dengan pengumpulan dan peringkasan data serta penyajian hasil
peringkasan data. Data Statistik yang bisa diperoleh dari hasil sensus, survey
atau pengamatan lainnya umumnya masih acak, mentah dan tidak terorganisir
dengan baik (raw data). Data tersebut harus diringkas dengan baik dalam bentuk
tabel atau grafik sebagai dasar untuk berbagai pengambilan keputusan (Statistik
Interferensi).
Frequencies membahas beberapa ukuran statistik dasar, seperti mean,
median, kuartil, persentil, Standar deviasi dan lainnya. Fungsi utama dari menu
frequencies adalah memberi gambaran sekilas dan ringkas (first look) dari
sekelompok data. Ciri-ciri data yang penting dan praktis akan dimunculkan dalam
analisis frequencies.

Contoh kasus 1:
Seorang peneliti inigin menganalisis statistik (frekuensi) tentang berat badan
sampel sebanyak 20 orang. Data-data yang didapat telah diinput seperti terlihat
dalam gambar 30.

Modul Manajemen Data 27

 Gambar 30. Input Data

Disini kita akan menganalisis frekuensi data, central tendency, dan menampilkan
grafik histogram.

Langkah-langkah analisis SPSS-nya adalah sebagai berikut:

1. Jalankan program SPSS.
2. Klik variable view pada SPSS data editor.
3. Pada kolom Name ketik berat, sedangkan pada Label ketik Berat Badan.
Untuk tipe data, pastikan Numeric. Pada kolom Measure pilih Scale. Untuk
kolom lainnya. Bisa diabaikan (isian default).
4. Masukkan ke halaman Data View dengan mengklik Data View.
5. Isikan data seperti pada gambar 2.1
6. Selanjutnya klik Analyze  Descriptive Statistics  Frequencies.

Modul Manajemen Data 28

 Gambar 31.Langkah memilih alat analisis

7. Setelah itu, kotak dialog Frequencies akan tampil sebagai berikut:

Gambar 32. Kotak dialog Frequencies

Modul Manajemen Data 29

8. Masukkan variabel Berat Badan ke Kotak Variable(s). Kemudian klik tab
statistics. Langkah ini akan menampilkan kotak dialog seperti Gambar 2.4

Gambar 33. Kotak dialog Frequencies: Statistics

9. Berikan tanda centang pada pilihan-pilihan Central Tendency, Dispersion,

dan Distribution. Kemudian, klik Continue, maka anda akan kembali ke
kotak dialog Frequencies.
10. Klik tab Chart sehingga tampil kotak dialog sebagai berikut:

Gambar 34. Kotak dialiog Frequencies: Charts

Modul Manajemen Data 30

11. Pilih Histograms. Beri centang pada With normal curve. Kemudian, klik
Continue. Selanjutnya, anda akan kembali ke kotak dialog sebelumnya.
12. Klik tombol OK. Hasil outpunya sebagai berikut.

Statistics

Gambar 35. Output Statistic Berat Badan

Modul Manajemen Data 31

 Gambar 36. Output Statistic Berat Badan-Histogram

Analisis
Output Statistics
- N adalah jumlah data; dalam hal ini jumlah data yang valid ada 20 buah
dan tidak ada data yang hilang (missing).
- Mean adalah rata-rata; rata-rata berat badan adalah 54,95 kg.
- Standard error of mean; yaitu standar kesalahan untuk populasi yagn
diperkirakan dari sampel dengan menggunakan ukuran rata-rata. Nilai
sebesar 1,676 kg.
- Median adalah titik tengah; yaitu semua data diurutkan dan dibagi
dua sama besar. Nilai median adalah 52,00.
- Mode adalah modus data, yaitu sebesar 49.
- Std Deviation, yaitu ukuran penyebaran data dari rata-ratanya. Nilai
sebesar 7,494 kg.
- Variencie, yaitu varian data yang didapat dari kelipatan standar deviasi,
nilai sebesar 56,155.
- Skewness, yaitu ukuran distribusi data. Untuk mengetahui apakah data
terdistribusi dengan normal atau tidak, maka dihitung rasio skewness
dengan standard error of skewness atau0,883/0,512 = 1,725. Karena nilai
rasio skewness berada diantara -2 sampai 2, maka data berdistribusi
normal.

Modul Manajemen Data 32

 - Kurtosis, sama halnya dengan skewness, kurtosis juga digunakan untuk
mengukur distribusi data. Untuk mengetahui apakah data terdistribusi
dengan normal atau tidak, maka dihitung rasio kurtosis dengan standar
error of kurtosis atau 0,414/0,992 = 0,417. Karena besarnya nilai rasio ini
berada di antara -2 sampai 2, maka data minimum. Nilai range adalah 29.
- Range adalah jarak data, yaitu data maksimum dikurangi data minimum.
Nilai range adalah 29.
- Minimum adalah nilai terendah, dalam hal ini adalah 45.
- Maximum adalah nilai tertinggi, dalam hal ini adalah 74.

Output Berat Badan

Berat Badan terendah adalah 45 kg dengan jumlah sebanyak 1 orang dan
persentase 5%. Kemudian, berat badan 47 kg dengan jumlah sebanyak 1
orang dan persentase 5%. Frekuensi untuk berat badan yang lainnya dapat
dibaca dalam hasil keluaran SPSS.

Output Histogram
Dari gambar histogram dapat dilihat bahwa kurva histogram membentuk
seperti gunung atau lonceng, sehingga dapat dikatakan data terdistribusi
dengan normal.

Contoh kasus 2:
Seorang peneliti inigin menganalisis statistik (frekuensi) tentang Data Tinggi
Badan 25 responden yang diambil secara acak di Wilayah tertentu (Angka dalam
cm).

Tabel 1. Data Tinggi Badan

No Tinggi Gender No Tinggi Gender
1 170,2 Pria 14 170,4 Wanita
2 172,5 Pria 15 168,9 Wanita
3 180,3 Pria 16 168,9 Wanita
4 172,5 Pria 17 177,5 Wanita
5 159,6 Wanita 18 174,5 Pria
6 168,5 Wanita 19 168,6 Wanita
7 168,5 Pria 20 164,8 Wanita
8 172,5 Pria 21 170,4 Pria
9 174,5 Pria 22 168,9 Pria
10 159,6 Wanita 23 164,8 Wanita
11 170,4 Wanita 24 167,2 Wanita
12 161,3 Wanita 25 167,2 Wanita
13 172,5 Pria

Modul Manajemen Data 33

 Gambar 37. Variabel Tinggi dan Gender pada Variabel View

1. Buat Variabel Tinggi dan Gender pada Variabel View seuai dengan gambar
37. Variabel Tinggi menggunakan measure scale, sedangkan gender
menggunakan nominal. Isi value dengan Ketik 1, lalu ketik Pria pada label,
lalu pilih tombol Add. Ulangi dengan mengisi angka 2 pada value, lalu ketik
wanita pada label. Pilih tombol ok.
2. Input Data View sesuai dengan tabel 1. Seperti gambar 38.

Modul Manajemen Data 34

 Gambar 38. Input Data View Variabel Tinggi dan Gender

3. Pilih Analyze > Descriptive Statistic > Frequencies

Gambar 39. Menu Analyze

4. Pada kotak dialog Frequencies, pilih variabel tinggi, laluh pilih tombol panah
untuk memindahkan variabel tinggi ke variable (s):

Modul Manajemen Data 35

 Gambar 40. Kotak Dialog Frequencies

5. Pilih tombol Statistic, berikan tanda centang sesuai gambar 41.

Gambar 41. Kotak Dialog Frequencies-Statistic

Mode dan Sum tidak dipilih karena tinggi badan adalah data ratio dan ukuran
mode (modus) kurang lazim diterapkan pada data ratio. Sum (jumlah) dari
semua tinggi badan responden tidak memiliki makna praktis. Value are
group midpoints berisi perhitungan persentil dan median jika data sudah
dikelompokkan (seperti distribusi frequensi) dalam interval data. Jika seperti
itu nilai yang dimasukkan kedalam persentil adalah titik tengah interval data.
Karena jenis data adalah individual dan bukan pengelompokkan maka
dikosongkan saja.
6. Pilih Tombol Continue.

Modul Manajemen Data 36

7. Pada Kotak Dialog Frequencies, pilih tombol Charts, pilih histogram dan
aktifkan Show normal curve on histogram

Gambar 42. Kotak Dialog Frequencies-Charts

8. Pilih Tombol Continue> OK

Output

Modul Manajemen Data 37

Analisis
Output Bagian Pertama (statistic)
1. N atau jumlah data yang valid (sah untuk diproses) adalah 25, sedangkan
data yang hilang (missing) adalah nol. Artinya semua data diproses.
2. Mean atau rata-rata tinggi badan adalah 169,4 cm dengan std. Error of mean
= 0,993 cm. Penggunaan std. Error of mean untuk memperkirakan besar
rata-rata populasi yang diperkirakan dari sampel.

Rata-rata ± (t Hitung x Standar Error of Mean)

Jumlah sampel (25) dibawah 30 maka digunakan angka t tabel. Jika N>30,
digunakan angka z tabel. Angka t tabel untuk tingkat kepercayaan 95% dengan
df= 25-1 =24 adalah 2,05 yang dapat dibulatkan menjadi 2. untuk banyak kasus
praktis angka 2 dapat digunakan untuk t tabel atau z tabel.
Maka:

Modul Manajemen Data 38

169,4 ± (2 x 0,993)= 167,414 cm sampai 171,386 cm. Diperkirakan tinggi
badan populasi (semua orang di daerah yang diteliti) antara 167,414 cm
sampai 171,386 cm Tingkat kepercayaan 95%. Tingkat %Kesalahan =5%.
Median atau titik tengah data jika semua data diurutkan dan dibagi dua sama
besar. Angka media 168,9cm menunjukkan bahwa 50% sampel mempunyai
tinggi badan 168,9 cm ke atas dan 50% sampel mempunyai tinggi badan 168,9
cm kebawah. Standar deviasi = 4,963 cm dan varians adalah kelipatan dari
standar deviasi (4,9632) = 24,634 cm. Makin besar standar deviasi, menunjukkan
data semakin bervariasi.

Standar Error of Mean

Ukuran skweness = -0,155, untuk penilaian nilai tersebut diubah ke angka rasio
Rasio_skweness = Skweness/ Std.Erro Skweness
Rasio_skweness = -0,155/0,464 =-0,334
Sebagai pedoman, jika rasio skweness berada antara -2 sampai dengan +2,
maka distribusi data adalah normal. Maka bisa dikatakan bahwa distribusi sampel
data tinggi badan adalah normal.

Analisis Variabel Gender

1. Kosongkan kembali Variable(s) dengan menekan tombol Reset

Gambar 43. Kotak Dialog Frequencies

2. Pada kotak dialog Frequencies, pilih variabel gender, laluh pilih tombol panah
untuk memindahkan variabel tinggi ke variable (s):
3. Pilih Tombol Charts> Pie Charts (Data Kualitatif tindak menggunakan
histogram)

Modul Manajemen Data 39

 Gambar 44. Kotak Dialog Frequencies-charts

Data kualitatif seperti gender, berbagai ukuran statistik seperti mean, median,
deviasi standar, dan sebagainya tidak relevan untuk digunakan, hanya ukuran
mode (modus)yang menghitung frequensi kode yang bisa digunakan.

Output SPSS dan Analysis

Modul Manajemen Data 40

Analisis
Output Bagian Pertama
Semua kasus (25 data) terisi dan diolah secara keseluruhan, maka tidak ada data
yang tidak lengkap/ hilang, sehingga missing value= 0
Output Bagian Kedua
Gender Pria sebanyak 11 orang atau 44% dari total, sedangkan wanita tercatat
14 orang atau 56% dari total responden. Seluruh data valid, maka kolom valid
percent (persentase data yang valid) sama dengan kolom persen. Kolom
Cumulatif percent (persentase komulatif) pria= 44%, wanita menjadi
44%+56%= 100%.

Output Bagian Ketiga

Terlihat diagram Lingkaran (Pie) menunjukkan proporsi Pria dan Wanita yang
diukur tinggi badannya. Jumlah wanita relatif lebih banyak dari Pria, maka pada
chart terlihat proporsi wanita mempunya Slice(Irisan lingkaran) yang lebih Luas
pula.

Modul Manajemen Data 41

 MODUL 4 Manajemen Data PRODI KESMAS

B. DESCRIPTIVES

Descriptives atau analisis deskriptif, yaitu penggambaran tentang statistik

data seperti mean, sum, standar deviasi, variance, range, dan lain-lain, serta
untuk mengukur distribusi data dengan skewness dan kurtosis.

Contoh Kasus:

Seorang mahasiswa ingin melakukan analisis deskriptif terhadap data

penelitiannya yang terdiri atas data berat badan, tinggi badan, dan usia
responden. Data tersebut diperolehnya dari 20 responden dengan perincian
seperti terlihat dalam gambar 2.7.

Gambar 37. Input Data

Langkah-langkah analisis menggunakan SPSS adalah sebagai berikut.

Modul Manajemen Data 42

1. Jalankan program SPSS
2. Klik Variable View pada SPSS data editor.
3. ...
a. Pada kolom Name baris pertama, ketik Berat: pada Label, ketik
Berat Badan; pada kolom Measure, pilih Scale. Untuk tipe data
pastikan Numeric.
b. Pada kolom Name baris kedua, ketik Tinggi; pada Label, ketik
Tinggi Badan; pada kolom Measure, pilih Scale.
c. Pada kolom Name baris ketiga, ketik Usia; pada kolom Label, ketik
Usia. Pada Measure, pilih Scale. Untuk kolom lainnya bisa diabaikan
(isian default).
4. Masuk ke halaman Data View dengan mengklik Data View.
5. Isikan data Berat, Tinggi, dan Usia seperti Gambar 2.7.
6. Selanjutnya, kliklah Analyze Descriptive Ststistics Descriptives.
7. Setelah itu, kotak dialog Descriptives akan tampil sebagai berikut.

Gambar 38. Kotak dialog Descriptives

8. Masukkan variabel Berat Badan, Tinggi Badan, dan Usia ke kotak

Variable(s). Kemudian, klik tab Options. Langkah ini akan menampilkan
kotak dialog sebagai berikut.

Modul Manajemen Data 43

 Gambar 39. Kotak dialog Descriptives: Options

9. Bila anda menghendaki pilihan analisis lainnya, berilah tanda centang

pada kotak kecil, kemudian klik tab Continue. Langkah ini akan
mengembalikan anda ke kotak dialog sebelumnya.
10. Klik tab OK. Hasil outpunya terlihat sebagai berikut:

Gambar 40. Output Descriptive Statistics

Dari output di atas dapat dilihat bahwa untuk “Berat Badan”, banyaknya data (N)
adalah 20, berat minimum 45 kg, maksimum 74 kg, rata-rata 54,95 kg, dan
standar deviasinya adalah 7,494 kg. Untuk data “Tinggi Badan” diperoleh tinggi
minimum 148 cm, maksimum 178 cm, rata-rata 161,60 cm, dan standar deviasi

Modul Manajemen Data 44

9,848 cm. Dan untuk “Usia”, yaitu usia minimum 17 tahun, maksimum 42 tahun,
rata-rata 27,90 tahun, dan standar deviasi 7,546 tahun.

Modul Manajemen Data 45

 MODUL 5 Manajemen Data PRODI KESMAS

C. EXPLORE

Explore atau eksplorasi adalah penggambaran tentang statistik data yang

lebih mendalam dan untuk melakukan uji normalitas.

Analisa Eksplorasi Tanpa Faktor

Analisis ini tanpa menggunakan variable faktor atau kategori. Sebagai

contoh, menggunakan input data “Berat Badan” dan “Tinggi Badan” sebagai
berikut.

Gambar 41. Input Data

Disini kita akan melakukan analisis eksplorasi dan pengujian normalitas

data.

Modul Manajemen Data 46

Langkah-langkah analisis dengan SPSS data editor.
1. Jalankan program SPSS.
2. Kliklah Variable View pada SPSS data editor.
3. ...
a. Pada kolom Name, baris pertama, ketik Berat; pada Label ketik
Berat Badan; pada kolom Measure pilih Scale. Untuk tipe data
pastikan Numeric.
b. Pada kolom Name baris kedua. Ketik Tinggi; pada Label ketik
Tinggi Badan; pada kolom Measure, pilih Scale. Untuk kolom
lainnya bisa diabaikan (isian default).
4. Masuk ke halaman Data View dengan klik Data View.
5. Isikan data Berat dan Tinggi seperti Gambar 2.11.
6. Selanjutnya klik Analyze  Descriptive Statistics  Explore. Setelah
itu, anda akan melihat tampilan kotak dialog sebagai berikut.

Gambar 42. Kotak dialog Explore

7. Masukkan variabel Berat Badan dan Tinggi Badan ke kotak

Dependent List. Kemudian, klik tab Plots. Langkah ini akan
memunculkan kotak dialog sebagai berikut.

Modul Manajemen Data 47

 Gambar 43. Kotak dialog Explore: Plots

8. Karena akan dilakukan uji normalitas data, maka berilah tanda centang
pada Normality plots with test. Kemudian, klik tab Continue, maka
anda akan kembali ke kotak dialog sebelumnya.
9. Klik tombol OK. Hasil outputnya sebagai berikut.

Gambar 44. Otuput Case Processing Summary

Modul Manajemen Data 48

 Gambar 45. Otuput Descriptives

Gambar 46. Otuput Tests of Normality

Analisis

Output Case Processing Summary

Modul Manajemen Data 49

Untuk “Berat Badan” dan “Tinggi Badan” data yang valid ada 20 buah dan tidak
ada data yang hilang (missing).

Output Descriptives

Disini kita hanya akan membahas variabel “Berat Badan”.

- Mean adalah rata-rata; rata-rata berat badan yang diperoleh adalah
54,95 kg.
- Standard error adalah kesalahan standar untuk populasi yang
diperkiraan dari sampel dengan menggunakan ukuran rata-rata. Nilainya
sebesar 1,676 kg.
- Lower Bound, yaitu batas bawah sebesar 51,44 kg dan Upper Bound,
yaitu batas atas sebesar 58,46 kg.
- 5% Trimmed Mean, yaitu nilai rata-rata setelah adanya pemotongan
data terkecil 5% dan terbesar 5%. Hal ini untuk menghilangkan data
yang menyimpang karena jauh dari rata-rata. Nilai sebesar 54,44 kg.
- Median adalah titik tengah, yaitu semua data diurutkan dan dibagi dua
sama besar. Nilai median adalah 52,00.
- Variance, yaitu varian data yang didapat dari kelipatan standar deviasi,
nilai sebesar 56,155.
- Std Deviation, yaitu ukuran penyebaran data dari rata-ratanya. Nilainya
sebesar 7,494 kg.
- Minimum adalah nilai terendah, dalam hal ini adalah 45.
- Maximum adalah nilai tertinggi, dalam hal ini adalah 74.
- Range adalah jarak data, yaitu data maksimum dikurangi data minimum.
Nilai range adalah 29.
- Interquartile Range, yaitu selisih antara nilai persentil yang ke-25 dan
75. Nilainya sebesar 11 kg.
- Skewness, yaitu ukuran distribusi data. Untuk mengetahui apakah data
terdistribusi dengan normal atau tidak, maka dihitung rasio skewness
dengan standar error of skewness atau 0,883/0,512 = 1,725. Kriteria
yang digunakan, yaitu jika rasio skewness antara -2 sampai 2, maka
distribusi data normal. Karena nilai rasionya 1,725, maka data
berdistribusi normal.
- Kurtosis; sama halnya dengan skewness, kurtosis juga digunakan untuk
mengukur distribusi data. Untuk mengetahui apakah data terdistribusi
dengan normal atau tidak, maka dihitung rasio kurtosis dengan standard

Modul Manajemen Data 50

 error of kurtosis atau 0,414/0,992 = 0,417. Kriteria yang digunakan, yaitu
jika rasio kurtosis di antara -2 sampai 2, maka distribusi data normal.
Dalam hal ini data berdistribusi normal.

Output Test of Normality

Untuk melakukan analisis parametrik seperti independen sample t test, korelasi

bivariate, regresi, dan sebagainya, syaratnya adalah data harus terdistribusi
secara normal. Tes normalitas dilakukan dengan menggunakan uji Kolmogrov-
Smirnov dengan kriteria pengujian sebagai berikut :
- Signifikansi > 0,05, maka data berdistribusi normal
- Signifikansi < 0,05, maka data tidak terdistribusi secara normal.
Pada data “Berat Badan” signifikansi kurang dari 0,05 (0,030 < 0,05). Oleh
karena itu, data “Berat Badan” tidak terdistribusi secara normal. Sementara itu,
data “Tinggi Badan” signifikansinya lebih dari 0,05 (0,200 > 0,05), maka data
“Tinggi Badan” Berdistribusi normal.

Modul Manajemen Data 51

 MODUL 6 Manajemen Data PRODI KESMAS

D. RATIO
Ratio pada dasarnya berfungssi menyediakan ringkasan statistik yang berupa
rasio-rasio. Rasio sering juga disebut rasio statistik adalah hasil pembagian
dua variabel, dimana semua variabel adalah data bertipe rasio yang
mempunyai nilai positif. Rasio statistik bisa menjelaskan apakah ada
kesamaan antara variabel-variabel yang ada pada sebuah grouping variabel.

Contoh:

Data lima orang responden yang disurvei pada sebuah kesempatan:

Jam
Nama Gender Gaji Usia Anak
Kerja

Susi Wanita 500000 25 2 30

Susan Wanita 650000 29 0 31
Sugeng Pria 700000 34 0 34
Sutomo Pria 525000 26 1 30
Sulastri Wanita 400000 30 3 40

Langkah-langkah analisis dengan SPSS data editor.

1. Jalankan program SPSS.
2. Kliklah Variable View pada SPSS data editor.
3. ...
a. Buat variabel nama, gender, Gaji, Usia, Anak, dan Jam_Kerja.
b. Sesuaiakan type, value dan measure seperti gambar dibawah

Modul Manajemen Data 52

4. Masuk ke halaman Data View dengan klik Data View.

5. Selanjutnya klik Analyze  Descriptive Statistics  Ratio. Setelah

itu, anda akan melihat tampilan kotak dialog sebagai berikut.

Modul Manajemen Data 53

6. Setelah itu, anda akan melihat tampilan kotak dialog sebagai berikut.

7. Pindahkan variabel Gaji ke Numerator, variabel Anak ke

Denominator, dan variabel Gender ke Group variabel, kemudian pilih
tombol Statistics.

Modul Manajemen Data 54

8. Central Tendency. Pilihan ini akan menghitung rasio berdasarkan rata-
rata atau median. Dispersion. Pilihan ini akan mengukur variasi di
sekitar rasio-rasio yang dihasilkan.
9. Aktifkan Mean, Weighted Mean pada Central Tendency dan PRD,
Standard Deviation pada Dispersion, lalu klik tombol Continue, lalu OK.

Penjelasan Output

Rasio Gender Pria

Hanya ada seorang pria yang diproses karena ia mempunyai anak.
Responden tersebut (Sutomo) mempunyai seorang anak dengan gaji
perbulan Rp 525.000,-

Modul Manajemen Data 55

 Mean (rasio rata-rata hitung)
Mean dihitung dengan rumus

Karena pembilang adalah variabel Gaji dan Penyebut adalah variabel

anak, maka:

Dengan demikian, rasio mean gaji/anak untuk pria adalah Rp 525.000/

anak

 Weighted Mean (rasio rata-rata hitung tertimbang)

Weighted Mean dihitung dengan rumus

Untuk gender pria, karena hanya satu responden maka perhitungan mean
dan weighted mean adalah sama.

 Standard Deviation (rasio deviasi standar)

Dihitung dengan rumus

 Price Related Differential (PRD)

Rasio Gender Wanita

Dari tiga data untuk gender wanita, ada dua data yang diproses, karena
kedua wanita tersebut memiliki anak. Responden tersebut adalah Susi dan
Sulastri, memiliki anak masing-masing sebanyak 2 dan 3 orang anak. Adapun
gaji keuda responden tersebut masing-masing Rp 500.000,- dan Rp
400.000,-
 Mean (rasio rata-rata hitung)
Mean dihitung dengan rumus

Karena pembilang adalah variabel Gaji dan Penyebut adalah variabel

anak, maka:

Modul Manajemen Data 56

 Dengan demikian, rasio mean gaji/anak untuk wanita adalah Rp
191.666,7/ anak

 Weighted Mean (rasio rata-rata hitung tertimbang)

Weighted Mean dihitung dengan rumus

Untuk gender pria, karena hanya satu responden maka perhitungan mean
dan weighted mean adalah sama.

 Standard Deviation (rasio deviasi standar)

Dihitung dengan rumus

=82.495,79

 Price Related Differential (PRD)

Pada kasus Overall (gabungan Pria dan wanita) dapat dianalisis dengan
rumus yang sama.

Modul Manajemen Data 57

 MODUL 7 Manajemen Data PRODI KESMAS

E. CHI-SQUARE DAN HUBUNGAN ANTAR VARIABEL KATEGORIKAL

Crosstabs (Tabel Silang) merupakan alat analisis untuk menggambarkan
tentang data yang berbentuk kolom dan baris serta menganalisis hubungan
antara baris dan kolom dengan analisis statistik seperti Chi square,
Correlation, Contigency coefficient, Lambda, Eta, Kappa, McNemmar, dsb.

Contoh Kasus:
Analisis Crostab dengan menggunakan Data Nominal
No Jenis Kelamin Pendidikan

1 Laki-laki Perguruan Tinggi

2 Laki-laki SMA
3 Perempuan SMA
4 Laki-laki SMP
5 Perempuan SMP
6 Laki-laki Perguruan Tinggi
7 Perempuan SMA
8 Laki-laki Perguruan Tinggi
9 Laki-laki Perguruan Tinggi
10 Perempuan SMA
11 Laki-laki SMA
12 Perempuan SMP
13 Perempuan Perguruan Tinggi
14 Laki-laki Perguruan Tinggi
15 Laki-laki SMA
16 Perempuan Perguruan Tinggi
17 Perempuan SMP
18 Laki-laki Perguruan Tinggi
19 Perempuan SMP
20 Perempuan SMP

Modul Manajemen Data 58

Ket:
Jenis Kelamin: 1= Laki-laki, 2= Perempuan
Pendidikan: 1= SMP, 2=SMA, 3=Perguruan Tinggi

1. Masuk ke halaman Data View dengan klik Data View.

2. Buat Variabel Jenis Kelamin dan Pendidikan, pada Values Jenis

Kelamin, masukkan 1= Laki-laki, 2= Perempuan dan pada Values
Pendidikan, masukkan 1= SMP, 2=SMA, 3=Perguruan Tinggi, measure
variabel Jenis kelamin dan Pendidikan menggunakan Nominal
3. Pindah di Data View, lalu input data Jenis Kelamin dan Pendidikan

4. Selanjutnya klik Analyze  Descriptive Statistics  CrossTabs.

Setelah itu, anda akan melihat tampilan kotak dialog sebagai berikut.

Modul Manajemen Data 59

5. Pada kotak dialog Crosstabs Pindahkan variabel Jenis Kelamin ke
Row(s) dan variabel Pendidikan ke Column(s), kemudian pilih tombol
Statistics.

6. Aktifkan Chi-square, contigency coeffiecent dengan cara memberikan

mark (tanda centang), Klik Tombol Continue, kemudian klik tombol OK

Modul Manajemen Data 60

 Output Data:

Modul Manajemen Data 61

 Penjelasan Output:

Output Jenis Kelamin *Pendidikan Crosstabulation

Dari output dapat dilihat bahwa jenis kelamin laki-laki dengan pendidikan
SLTP sebanyak 1 orang, pendidikan SMU 3 orang, dan perguruan tinggi
sebanyak 7 orang. Sedangkan untuk jenis kelamin perempuan dengan
pendidikan SLTP sebanyak 5 orang, SMU 3 orang dan Perguruan Tinggi 1
orang, disini dapat dilihat bahwa jumlah subjek laki-laki sebanyak 11
orang dan perempuan 9 orang.
Output Chi-square tests
Uji Chi-square dimaksudkan untuk menguji hubungan antar variabel,
yaitu antara jenis kelamin dan pendidikan.
Langkah-langkah pengujiannya sebagai berikut:
a. Merumuskan hipotesis
Ho: Tidak ada hubungan antara jenis kelamin dengan pendidikan
Ha: ada hubungan antara jenis kelamin dengan pendidikan
b. Menentukan Chi-square hitung
Dari output didapat nilai X2 hitung (Pearson Chi-square) adalah 7,037
c. Menentukan Chi-square tabel
Chi-square tabel dapat dilihat pada tabel statistik Chi-square pada
signifikansi 0,05, df= (jumlah baris – 1) x (jumlah kolom – 1) = (2-1)
x (3-1) = 1 x 2 =2, hasil diperoleh untuk Chi-square tabel adalah
5,991

Modul Manajemen Data 62

 d. Kriteria Pengujian:
Jika Nilai Chi-square hitung< Chi-square Tabel, maka Ho diterima.
Jika Nilai Chi-square hitung> Chi-square Tabel, maka Ho ditolak.
e. Berdasarkan signifikansi:
Jika Signifikansi > 0,05, maka Ho diterima
Jika Signifikansi < 0,05, maka Ho ditolak
f. Membuat Kesimpulan
Chi-square hitung> Chi-square tabel (7,037 > 5,991) dan
signifikansi< 0,05 (0,030<0,05), maka Ho ditolak. Jadi, dapat
disimpulkan bahwa ada hubungan antara jenis kelamin dengan
pendidikan. Hal ini dapat dilihat Dilihat pada output bahwa laki-laki
kebanyakan berpendidikan perguruan tinggi dengan jumlah 7
daripada perempuan yang berjumlah 1 orang.
Output Symmetric Measure

Contigency coefficients menyatakan kekuatan atau keeratan

hubungan antarvariabel, yaitu variabel jenis kelamin dengan
pendidikan. Jika nilai Contigency coefficients –nya semakin mendekati
nilai 1, maka hubungan yang terjadi semakin erat; sebaliknya, jika
nilai koefisiennya mendekati 0, maka hubungannya semakin lemah.

Modul Manajemen Data 63

 Dari output dapat diketahui bahwa Contigency coefficients –nya
adalah 0,510, karena nilai mendekati 1, maka hubungan yang terjadi
kuat.

Modul Manajemen Data 64

 MODUL 8 Manajemen Data PRODI KESMAS

F. STATISTIK INDUKTIF (Uji T, One Sample T Test dan Independent

Sample T Test)
Statistik Induktif (Interferensi)
Statistik Interferensi dalam praktek cukup beragam, salah satu kriteria
penting dalam pemilihan metode statistik yang akan digunakan adalah
melihat distribusi sebuah data.

Contoh Kasus One Sample T Test :

No Kecepatan Lari

1 38
2 42
3 40
4 37
5 38
6 40
7 40
8 35
9 43
10 42
11 42
12 36
13 39
14 41
15 38
16 37
17 41
18 42
19 39
20 42

Modul Manajemen Data 65

1. Masuk ke halaman Data View dengan klik Data View.
2. Buat variabel vlari (Kecepatan Lari)

3. Input data Kecepatan Lari vlari pada data View

Modul Manajemen Data 66

4. Selanjutnya klik Analyze  Compare Means  One-Sample T Test.
Setelah itu, anda akan melihat tampilan kotak dialog sebagai berikut.

5. Pada kotak Dialog One-Sample T Test. Pindahkan variabel kecepatan

lari ke Test variable(s), sebagai asumsi awal masukka angka 40 pada test
value sebagai perkiraan sementara kecepatan lari.

Output

Analisis

Output One Sample Statistic

Banyaknya data “Kecepatan Lari”yang valid berjumlah 20 siswa. Rata-rata

laju lari adalah 39.60 km/jam dengan standar deviasi 2.303 dan standard
error mean 0.515

Modul Manajemen Data 67

 Output One Sample Test
Uji satu sampel digunakan untuk mengetahui apakah laju lari rata-rata
sama atau berbeda dengan yang dihipotesiskan yaitu 40 km/jam. Tingkat
signifikansi dalam pengujian ini menggunakan 0.05. (Secara defaults
SPSS menggunakan 0.05). Berikut Langkah Pengujiannya.
1. Merumuskan hipotesis
Ho: rata-rata v lari adalah 40 km/jam
Ha: rata-rata v lari bukan 40 km/jam
2. Menentukan t hitung dan signifikansi
Nilai t hitung sebesar -0,777 dan signifikansi 0.447
3. Menentukan t tabel
T tabel dapat dilihat dalam tabel statistik pada signifikansi 0.05:2 =
0.025 (uji 2 sisi) dengan derajat kebebasan (df) n-1 atau 20-1 = 19. hasil
yang diperoleh untuk t tabel =2,093

4. Kriteria pengujian:
 Jika –t tabel ≤ t hitung ≤ t tabel, maka Ho diterima
 Jika –t hitung < -t tabel atau t hitung > t tabel, maka Ho ditolak.

Berdasarkan signifikansi:
 Jika Signifikansi > 0,05, maka Ho diterima
 Jika Signifikansi < 0,05, maka Ho ditolak

Modul Manajemen Data 68

 5. Membuat Kesimpulan
Nilai -t hitung > -t Tabel (-0,777 > -2,093) dam signifikansi (0,447
>0,05), maka Ho diterima. Disimpulkan bahwa rata-rata v lari adalah
40 km/jam

Modul Manajemen Data 69

 Contoh Kasus Independet Sample T Test
Jenis
No Nilai Tes
Kelamin
1 2 128
2 2 145
3 1 107
4 2 134
5 1 124
6 2 140
7 1 106
8 1 92
9 1 136
10 2 142
11 2 147
12 1 113
13 2 138
14 1 107
15 1 97
16 2 115
17 2 127
18 1 102
19 2 142
20 2 137

1. Masuk ke halaman Data View dengan klik Data View.

2. Buat variabel jenis kelamin dan nilai tes

Modul Manajemen Data 70

3. Input data Jenis kelamin dan Nilai Tes pada data view

4. Selanjutnya klik Analyze  Compare Means  Independent-

Sample T Test. Setelah itu, anda akan melihat tampilan kotak dialog
sebagai berikut.

5. Pada kotak Dialog Independent -Sample T Test. Pindahkan variabel

nilai tes ke test variable(s) dan variabel jenis kelamin ke grouping
variable, lalu pilih tombol define groups seperti pada gambar.

Modul Manajemen Data 71

6. Pada kotak dialog Define Groups, pada pilihan Use specified value,
masukkan angka 1 pada Group 1 dan angka 2 pada Group 2,lalu pilih
tombol Continue dan OK

Modul Manajemen Data 72

 Output

Output Independent Samples Test

Uji beda 2 rata-rata (Independent sample T Test) dipakai untuk
mengetahui apakah ada perbedaan nilai tes antara laki-laki dan
perempuan. Pengujian menggunakan tingkat signifikansi 0,05 (secara
default SPSS sudah menggunakan tingkat signifikansi 0,05)
Sebelum uji beda 2 rata-rata dilakukan, ujia F (uji homogenitas) perlu
dilakukan terlebih dahulu. Jika varian sama, maka uji t menggunakan
Equal Variance Assumed (diasumsikan varian sama) dan jika varian
berbeda, menggunakan Equal Variance Not Assumed (diasumsikan
varian berbeda).
Langkah-langkah uji F adalah sebagai berikut:
a. Merumuskan hipotesis:
 Ho Kelompok data nilai tes antara laki-laki dan perempuan
memiliki varian yang sama
 Ha Kelompok data nilai tes antara laki-laki dan perempuan
memiliki varian yang berbeda
b. Kriteria pengujian (berdasarkan signifikansi):
 Jika Signifikansi > 0,05, maka Ho diterima
 Jika Signifikansi < 0,05, maka Ho ditolak
c. Membuat kesimpulan
Signifikansi dari uji F didapat 0,386, karena nilai signifikansi > 0,05
(0,386 > 0,05), maka Ho diterima. Jadi, dapat disimpulkan bahwa
kelompok data nilai tes antara laki-laki dan perempuan memiliki
Varian yang sama. Oleh karena itu, uji t (independent samples T Test)
menggunakan equal variance assumed.

independent samples T Test

Langkah-langkah pengujiannya sebagai berikut:
a. Merumuskan hipotesis:

Modul Manajemen Data 73

  Ho: tidak ada perbedaan rata-rata nilai tes antara laki-laki dan
perempuan
 Ha: ada perbedaan rata-rata nilai tes antara laki-laki dan
perempuan
b. Menentukan t hitung:
Dari output didapat nilai t hitung Equal Variance Assumed adalah
5,172
c. Menentukan nilai t tabel
T tabel dapat dilihat pada tabel statistik pada signifikansi 0,05: 2=
0,025 (uji 2 sisi) dengan derajat kebebasan (df) n-2 atau 20-2= 18.
Hasil yang diperoleh untuk t tabel sebesar 2,101

d. Kriteria Pengujian:
 Jika –t tabel ≤ t hitung ≤ tabel, maka Ho diterima
 Jika -t hitung < tabel, atau t hitung > tabel maka Ho ditolak
Berdasarkan signifikansi
 Jika signifikansi > 0,05, maka Ho diterima
 Jika signifikansi < 0,05, maka Ho ditolak
e. Membuat kesimpulan
Karena nilai –t hitung < -t tabel (-5,172 < -2, 101) dan signifikansi
<0,05 (0,000 < 0,05), maka Ho ditolak. Jadi, dapat disimpulkan
bahwa ada perbedaan rata-rata nilai tes antara laki-laki dan
perempuan.

Modul Manajemen Data 74

 Daftar Pustaka

Ananda, Senia, “Buku Pinrtar menguasai office 2007”, Penerbit Media Kita,
Cikanjur, 2013
Andy, Steven Pascal., "Tip dan Trik Office 2010", Penerbit Elex Media Cumputindo,
Jakarta 2013
https://teknikelektronika.com/analisis-statistik-deskriptif-dengan-
menggunakan-microsoft-excel/ diakses tanggal 1 Juni 2019
M.Hasyim., “Buku Pintar Microsoft Office” Penerbit Kria Pustaka, Depok, 2012
Priyatno, Duwi., “5 Jam Belakar Olah Data dengan SPSS17” Penerbit Andi,
Jakarta 2012.
S.Jarot dkk., “Buku Pintar Microsoft Office 2007 dan 2010”, Media Kita, Cikanjur,
2015
Santoso, Singgih., “Panduan Lengkap Menguasai Statistik dengan SPSS 17”
Penerbit Elex Media Komputindo, Jakarta 2009

Modul Manajemen Data 75