MODUL PRAKTIKUM

KOMPUTER STATISTIK
PROGRAM STUDI SARJANA KEPERAWATAN
TAHUN AKADEMIK 2020/2021

Disusun Oleh :
Alvian Pristy Windiramadhan, S.Kep., Ners., M.Kep

YAYASAN INDRA HUSADA

SEKOLAH TINGGI ILMU KESEHATAN (STIKes)
PROGRAM STUDI SARJANA KEPERAWATAN
INDRAMAYU
2021
 HANDOUT KOMPUTER STATISTIK

Nama Dosen : Alvian Pristy Windiramadhan, S.Kep., Ns., M.Kep

Pertemuan : Pertemuan Ke 4
Topik MK : Analisis Data dan Uji Univariat

I. ANALISIS DATA
A. Fungsi Analisis Data
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 artisempit 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.

B. Tujuan dan kedalaman Analisis Data

Pada umumnya analisis data bertujuan untuk:
1. Memperoleh gambaran/deskripsi masing-masing variabel.
2. Membandingkan dan menguji teori atau konsep dengan informasi yang ditemukan
3. Menemukan adanya konsep baru dari data yang dikumpulkan.
4. Mencari penjelasan apakah konsep baru yang diuji berlaku umum atau hanya
berlaku pada kondisi tertentu.

Seberapa jauh analisis suatu penelitian akan dilakukan tergantung dari:

1. Jenis penelitian.
2. Jenis sampel.
3. Jenis data/variabel.

Asumsi kenormalan distribusi data.

a. Jenis Penelitian
Jika ingin mengetahui 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.
b. Jenis Sampel
Analisis sangat tergantung pada jenis sampel yang dibandingkan, apakah kedua
sampel independen atau dependen. 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. Di sini berarti
kelompok ibu perokok dan kelompok ibu bukan perokok bersifat independen
Sedangkan untuk penelitian eksperimen yang sifatnya pre dan post (sebelum
dan sesudah adanya perlakuan tertentu dilakukan pengukuran) maka uji yang
digunakan adalah uji statistik untuk data yang dependen. Misalnya, suatu
penelitian ingin mengetahui pengaruh pelatihan 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 dengan jenis kategori 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 kategorik, 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 kategori dengan data kategori.
Sebaliknya untuk mengetahui hubungan numerik dengan numerik digunakan uji
korelasi/regresi.
d. Asumsi Kenormalan
Jenis analisis yang akan dilakukan sangat tergantung 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.

C. Langkah Analisis Data

Berikut ini akan dijelaskan langkah-langkah analisis (pendekatan kuantitatif):
1. Analisis Deskriptif/Univariabel
Tujuan dari analisis ini adalah untuk menjelaskan/ mendeskripsikan karakteristik
masing-masing variabel yang diteliti. Bentuknya tergantung dari jenis datanya.
Untuk data numerik digunakan nilai mean (rata-rata), median, standar deviasi dan
inter kuartil range, minimal dan maksimal.
2. Analisis Analitik Bivariabel
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 Analitik Multivariabel
Merupakan analisis yang menghubungkan antara beberapa variabel independen
secara simultan dengan satu variabel dependen.

II. ANALISIS DESKRIPSTIF

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 dua ukuran yaitu ukuran tengah dan ukuran variasi. Selanjutnya
membandingkan gambaran-gambaran tersebut antara satu kelompok subjek dan
kelompok subjek lain, sesuai dengan tujuan yang ingin dicapai dalam analisis.
Berbicara peringkasan data yang berwujud ukuran tengah dan ukuran variasi, jenis
datanya apakah berbentuk numerik atau kategorik akan sangat menentukan bentuk
peringkasan datanya. Berikut akan diuraikan bentuk/cara peringkasan data untuk
numerik dan data kategorik.
A. Peringkasan Data untuk Data Jenis Numerik
1. Ukuran Tengah
Ukuran tengah merupakan cerminan dari konsentrasi nilai-nilai hasil pengukuran.
Berbagai ukuran dikembangkan untuk mencerminkan ukuran tengah tersebut, dan
yang paling sering dipakai adalah mean, median dan mode/modus.
a. Mean
Mean/average adalah ukuran rata-rata yang merupakan hasil dari jumlah
semua nilai pengukuran dibagi oleh banyaknya pengukuran. Secara sederhana
perhitungan nilai mean dapat dituliskan dengan rumus:

Keuntungan nilai mean adalah mudah menghitungnya dan 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
orang/penduduk yang tinggal di Indonesia. Kita tahu bahwa penghasilan orang
indonesia ada nilai ekstrim tinggi untuk penghasilannya, karena beberapa orang
 berpenghasilan tinggi sekali. Apabila dihitung mean, maka penghasilan per
bulan bisa jadi didapatkan Rp 20.000.000,-, sebenarnya sebagian besar orang
pendapatannya dibawah Rp 10.000.000,-. Mean sebesar Rp 20.000.000,-
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 tentunya 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.
b. Median
Median adalah nilai di mana setengah banyaknya pengamatan mempunyai
nilai di bawahnya dan setengahnya lagi mempunyai nilai di atasnya. Berbeda
dengan nilai mean, penghitungan median hanya mempertimbangkan urutan nilai
hasil pengukuran, besar beda antar nilai diabaikan. Karena mengabaikan besar
beda, maka median tidak dipengaruhi oleh nilai ekstrim. Prosedur penghitungan
median melalui langkah:
1) Data diurutkan/di-array dari nilai kecil ke besar.
2) Hitung posisi median dengan rumus (n+1)/2.
3) Hitung nilai mediannya.
Contoh ada usia 6 mahasiswa berusia 20 tahun, 26 tahun, 24 tahun, 30
tahun, 40 tahun, 36 tahun. Data diurutkan menjadi: 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 di bawah 28 tahun dan 50% mahasiswa
berumur di atas 28 tahun.
c. Mode/Modus
Mode adalah nilai pengamatan yang mempunyai frekuensi/ jumlah
terbanyak. Contoh mode data umur mahasiswa: 18 tahun. 22 tahun, 21 tahun, 20
tahun, 23th, 20 tahun. Dari data tersebut berarti mode-nya adalah 20 tahun.

2. Ukuran Variasi
Nilai-nilai hasil pengamatan akan cenderung saling berbeda satu sama lain
atau dengan kata lain hasil pengamatan akan bervariasi. Untuk mengetahui
seberapa jauh data bervariasi digunakan ukuran variasi antara lain range, jarak
linier kuartil dan standar deviasi.
a. 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.
b. Jarak Inter Kuartil
Nilai observasi disusun berurutan dari nilai kecil ke besar, kemudian ditentukan
kuartil bawah dan atas. Kuartil merupakan pembagian data menjadi 4 bagian
yang dibatasi oleh tiga ukuran kuartil, yaitu kuartil I, kuartil II dan kuartil III.
 1) Kuartil I mencakup 25% data berada di bawahnya dan 75% data berada di
atasnya.
2) Kuartil II (median) mencakup 50% data berada di bawahnya dan 50% data
berada di atasnya.
3) Kuartil III mencakup 75% data berada di bawahnya dan 25% data berada di
atasnya.
Jarak inter kuartil adalah selisih antar kuartil III dan kuartil I. Ukuran ini lebih
baik dari range, terutama kalau frekuensi pengamatan banyak dan distribusi
sangat menyebar.
c. Standar 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. 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 Standar Deviasi.
Standar Deviasi merupakan akar dari varian:

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 nilai
mean (rata-rata), median, standardeviasi dan inter quartil range, miinimal dan
maksimal. Bila data yang terkumpul tidak menunjukkan adanya nilai ekstrim
(distribusi normal), maka perhitungan nilai mean dan standar deviasi merupakan
cara analisis univariat yang tepat. Sedangkan bila dijumpai nilai ekstrim
(distribusi data tidak normal), maka nilai yang tepat untuk analisis data adalah
median dan inter quartil range (IQR)

B. Peringkasan Data Kategorik

Berbeda dengan data numerik, peringkasan, (baik ukuran tengah maupun ukuran
variasi) untuk variabel kategorik tidak banyak jenisnya. Pada data kategorik
peringkasan data hanya menggunakan distribusi frekuensi dengan ukuran persentase/
proporsi dan jumlah data pada masing-masing kelompok. Jadi Anda harus hati-hati
bila data berjenis kategorik, menggunakan mean atau median.
Untuk ukuran variasi, pada data kategorik digunakan ukuran: presentase/proporsi.
Variasi dikatakan maksimal apabila jumlah kelompok berimbang.
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%.
C. 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 menyampaikan informasi suatu
data/ variabel. Contoh penyajian analisis deskriptif:
1. Data Numerik
a. Untuk data yang normal
Tabel 5.1 Distribusi Umur dan Lama Hari Rawat Pasien Rumah Sakit X Tahun
2020
Variabel Mean SD Minimal-Maksimal
Umur 30,3 10,1 17 – 60
Lama hari rawat 10,1 8,9 2-6

b. Untuk data yang tidak normal/ada angka ekstrim

Tabel 5.2 Distribusi Umur dan Lama Hari Rawat Pasien Rumah Sakit X Tahun
2020
Variabel Median Inter Quartil Range
Umur 31 20 -24
Lama hari rawat 9 2 - 16

2. Data Kategorik
Tabel 5.3 Distribusi Responden Berdasarkan Tingkat Pendidikan di Rumah
Sakit X Tahun 2020

Pendidikan Jumlah Persentase (%)

SD 60 60,0
SMP 30 30,0
SMA 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 mendeteksi adanya nilai ekstrim/outlier, bila ada nilai ekstrim sangat
menentukan analisis selanjutnya (bivariat) apakah nilainya akan berkurang.

Tabel Ringkasan juga dapat melaporkan hasil penelitian beberapa variabel

sekaligus dalam satu tabel. Beberapa variabel yang berkaitan dapat dijadikan satu
tabel, yang sering disebut sebagai tabel ringkasan (summary table). Penyatuan
beberapa variabel hendaknya mengacu kepada kerangka konsep, artinya kelompok
 variabel tersebut bisa menggambarkan faktor, seperti factor social ekonomi yang
terdiri dari variable pendidikan, pekerjaan, dan pendapatan
Berikut adalah salah satu contoh tabel ringkasannya.

Tabel 5.4 Karakteristik pasien Demam Berdarahyang Dirawat di Ruang Penyakit

Dalam Rumah Sakit X Tahun 2020

Karakteristik Frekuensi Persen

Umur (tahun)
15 – 19 7 4,7
20 – 24 18 12,3
25 – 29 21 14,3
30 – 24 30 20,4
35 – 39 28 19,0
40 – 49 27 18,4
50 – 54 16 10,9
Total 147 100,0

Jenis Kelamin
Laki-laki 85 57,8
Perempuan 62 42,2
Total 147 100,0

Hasil Penatalaksanaan
Hidup 135 91,8
Meninggal 12 8,2
Total 147 100,0

KASUS: ANALISIS DESKRIPTIF (UNIVARIABEL)

Tujuan analisis ini adalah untuk mendeskripsikan karakteristik masing-masing
variabel yang diteliti. Bentuknya tergantung dari jenis datanya. Untuk data numerik
digunakan nilai mean (rata-rata), median, standar deviasi dan lain-lain. Sedangkan
untuk data kategorik tentunya hanya dapat menjelaskan angka/nilai jumlah dan
persentase masing-masing kelompok.
Berikut akan dipelajari cara mengeluarkan analisis deskriptif di SPSS, dimulai untuk
variabel kategorik (sebagai latihan digunakan variabel 'pendidikan') dan kemudian
dilanjutkan variabel numerik (variabel umur).
1. Data Kategorik
Untuk menampilkan tabulasi data kategorik digunakan tampilan frekuensi. Sebagai
contoh kita akan menampilkan tabel distribusi frekuensi untuk variabel pendidikan
dari file Latihan 1.
a. Dari menu utama SPSS pilih ‘Analyze”, kemudian Descriptive Statistic' dan
pilih ‘Frequencies'

b. Kemudian nanti akan muncul tampilan:

c. Sorot vaariabel pendidikan. Klik tanda panah dan masukan ke kotak ‘variable
(s)’.
d. Klik ‘Ok’. Hasilnya dapat dilihat dijendela output, seperti sebagai berikut :

Statistics
Pendidikan

Valid 20
N
Missing 0
 Pendidikan

Frequency Percent Valid Percent Cumulative

Percent

Tidak Sekolah 11 55.0 55.0 55.0

SD 4 20.0 20.0 75.0

SMP 1 5.0 5.0 80.0

Valid SMA 1 5.0 5.0 85.0

Diploma 1 5.0 5.0 90.0

Sarjana 2 10.0 10.0 100.0

Total 20 100.0 100.0

Kolom Frequency menunjukkan jumlah kasus dengan nilai yang sesuai. Pada
contoh di atas, total responden 20 orang, dari jumlah tersebut 11 lansia yang
berpendidikan tidak sekolah, proporsi dapat dilihat pada kolom Percent', pada
contoh di atas ada 55% lansia yang berpendidikan tidak sekolah. Kolom 'Valid
Percent' memberi hasil yang sama karena pada data ini tidak ada 'missing cases'.
'Cummulative Percent’ menjelaskan tentang persen kumulatif.

Penyajian dan Interpretasi di Laporan Penelitian

Dari angka-angka tersebut kemudian kita masukkan ke tabel pervajian di laporan
penelitian laporan skripsi. Adapun penyajian dan interpretasinya sebagai berikut:

Tabel 3.1 Distribusi Responden Menurut Tingkat Pendidikan di Desa X

Kecamatan X Kabupaten Indramayu Tahun 2020

Pendidikan Jumlah Persentase (%)

Tidak Sekolah 11 55.0
SD 4 20.0
SMP 1 5.0
SMA 1 5.0
Diploma 1 5.0
Sarjana 2 10.0
Total 20

Distribusi tingkat pendidikan responden hampir merata untuk masing-masing

tingkat pendidikan. Paling banyak responden berpendidikan tidak sekolah yaitu 11
orang (55,0%) sedangkan untuk pendidikan SD, SMP, SMA, Diploma dan Sarjana
masing-masing 20,0%, 5,0%, 5,0% , 5,0% , dan 10,0%.

2. 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,
standar deviasi, minimal dan maksimal. Pada SPSS ada dua cara untuk
mengeluarkan analisis deskriptif yaitu dapat melalui perintah 'Frequencies' atau
perintah 'Explore'. Biasanya yang digunakan adalah Frequencies oleh karena
ukuran statistik yang didapatkan pada menu 'Frequencies' sangat lengkap (seperti
mean, median, varian dan lain-lain), selain itu pada perintah ini juga dapat
ditampilkan grafik histogram dan kurva normalnya.
Berikut akan dicoba mengeluarkan analisis deskriptif untuk variabel umur dengan
menggunakan perintah frequencies.
a. Aktifkan data "Latihan 1”.
b. Pilih ‘Analyze'.
c. Pilih ‘Descriptive Statistic'.
d. Pilih ‘Frequencies', terlihat kotak frequencies.

e. Sorot variabel yang akan dianalisis, sorot umur, dan klik tanda panah sehingga
umur masuk ke kotak variable (s)
f. Klik tombol option ‘statistics…’ pilih ukuran yang anda minta misalnya mean,
median, standar deviasi, minimum, maksimal, SE.

g. Klik continue
h. Klik tombol option ‘Chart’ lalu muncul menu baru dan klik ‘Histogram’, lalu
klik With Normal Curve’
i. Klik continue
j. Klik ok, dan pada layar terlihat distribusi frekuensi disertai ukuran statistic yang
diminta dan dibawahnya tampak grafik histogram beserta curve normalnya.

Statistics
Umur

Valid 20
N
Missing 0
Mean 70.90
Std. Error of Mean 1.910
Median 70.00
Mode 61a
Std. Deviation 8.540
Minimum 61
Maximum 93

a. Multiple modes exist. The

smallest value is shown

Umur

Frequency Percent Valid Percent Cumulative

Percent

61 3 15.0 15.0 15.0

63 1 5.0 5.0 20.0

64 3 15.0 15.0 35.0

67 1 5.0 5.0 40.0

69 2 10.0 10.0 50.0

71 2 10.0 10.0 60.0

Valid 72 1 5.0 5.0 65.0

74 2 10.0 10.0 75.0

76 1 5.0 5.0 80.0

80 1 5.0 5.0 85.0

82 2 10.0 10.0 95.0

93 1 5.0 5.0 100.0

Total 20 100.0 100.0

Dari hasil di atas, nilai rata-rata dapat dilihat pada baris mean, sedangkan nilai
standar deviasi dapat dilihat pada baris Std. Deviation. Pada contoh di atas, rata-
rata umur lansia adalah 70,9 tahun, median 70,0 tahun dan standar deviasi 8,54
tahun dengan umur termuda 61 tahun dan yang tertua 93 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 sebagai berikut:
1. Dari menu utama SPSS, pilih menu Analyze", kemudian pilih submenu
'descriptive Statistics’, lalu pilih “Explore'
2. Isikan kotak dependent list dengan variable ‘umur’, kotak ‘factor list’ dan ‘label
case by’ biarkan kosong, sehingga tampilannya sebagai berikut :

3. Klik tombol ‘plots’ dan pilih ‘Normality Plots With Test’

4. Klik ‘Continue’
5. Klik ‘Ok’, hasilnya dapat dilihat dilayar :

Case Processing Summary

Cases

Valid Missing Total

N Percent N Percent N Percent

Umur 20 100.0% 0 0.0% 20 100.0%

 Descriptives

Statistic Std. Error

Mean 70.90 1.910

95% Confidence Interval for Lower Bound 66.90

Mean Upper Bound 74.90

5% Trimmed Mean 70.22

Median 70.00

Variance 72.937

Umur Std. Deviation 8.540

Minimum 61

Maximum 93

Range 32

Interquartile Range 12

Skewness .940 .512

Kurtosis .757 .992

Tests of Normality

Kolmogorov-Smirnova Shapiro-Wilk

Statistic df Sig. Statistic df Sig.

Umur .140 20 .200* .918 20 .089

*. This is a lower bound of the true significance.

a. Lilliefors Significance Correction

Umur Stem-and-Leaf Plot

Frequency Stem & Leaf

7.00 6 . 1113444
3.00 6 . 799
5.00 7 . 11244
1.00 7 . 6
3.00 8 . 022
1.00 Extremes (>=93)

Stem width: 10
Each leaf: 1 case(s)
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 lansia. Kita dapat
menghitung 95% confidence interval umur yaitu 66,90 s.d. 74,90. Jadi kita 95%
yakin bahwa rata-rata umur lansia di populasi berada pada selang 66,90 sampai
74,90 tahun.

Uji kenormalan data:

Untuk mengetahui suatu data berdistribusi normal, ada 3 (tiga) cara untuk
mengetahuinya yaitu:
1. Dilihat dari grafik histogram dan kurva 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 tidak signifikan (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 pendekatan angka skewness.
Untuk variabel umur di atas, dilihat dari histogram dan kurva normal terlihat
bentuk yang normal, selain itu hasil dari perbandingan skewness dan standar error
didapatkan: 0,940/0,757 = 1,24, hasilnya masih di bawah 2, berarti distribusi
normal. Dari hasil tersebut di atas 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 skripsi. Adapun penyajian dan interpretasinya adalah sebagai
berikut:

Tabel 5.5 Distribusi Umur Lansia di Desa X Kabupaten X Tahun 2020

Varibel Mean SD Min - Max 95% CI
Umur 70,90 8,54 61 – 93 66,9 – 74,9

Berdasarkan tabel 5.5 didapatkan bahwa rata-rata umur lansia adalah 70,90 tahun,
dengan variasi 8,54 tahun. Umur termuda lansia adalah 61 tahun dan umur tertua
93 tahun. Hasil analisis dapat disimpulkan bahwa 95% diyakini bahwa rata-rata
umur lansia berada di antara 66,9 tahun sampai dengan 74,9 tahun.

LATIHAN UJI DESKRIPTIF / UNIVARIAT

1. Aktifkan file Latihan 2
2. Lakukan analisis deskriptif untuk variable tingkat pendidikan lansia, sajikan dan
interpretasikan kedalam file Ms.Words
3. Lakukan analisis deskriptif untuk variable pekerjaan lansia sajikan dan interpretasikan
kedalam file Ms.Words.
4. Lakukan analisis deskriptif untuk variable skor tingkat stress emosional yang sudah
dikategorikan menjadi 3 yaitu ringan 0-15, sedang 16-30, berat >30, sajikan dan
interpretasikan kedalam file Ms.Words
5. Lakukan analisis deskriptif untuk variable skor usia yang sudah dikategorikan
menjadi 3 yaitu elderly 60-74, old 75-90, very old >90, sajikan dan interpretasikan
kedalam file Ms.Words
6. Lakukan analisis deskriptif untuk variable tekanan systole 1, sajikan dan
interpretasikan kedalam file Ms.Words