PENGANTAR SPSS Saptawati Bardosono
Pendahuluan Pada saat merancang usulan penelitian, maka pengolahan datanya sudah harus direncanakan pula: 1)
Teknik pengolahan data meliputi: editing, coding, entry dan cleaning serta analisis
2)
Tabel, grafik atau ringkasan angka2 yang akan dihasilkan
Masalah yang sering timbul: Model analisis muncul setelah data terkumpul
Editing Dilakukan pemeriksaan seluruh kuesioner atau seluruh formulir isian setelah data terkumpul, apakah: 1)
Dapat dibaca
2)
Semua pertanyaan terisi (lengkap)
3)
Terdapat ketidakserasian antara jawaban yang satu dengan yang lainnya (konsisten)
4)
Terdapat kesalahan2 lain yang dapat mengganggu pengolahan data selanjutnya (akurat)
Editing Kegiatan editing dapat dilakukan dengan cara: 1)
Editing lapangan, dimana supervisor mengadakan pengecekan ulang terhadap beberapa pertanyaan penting biasanya kepada 10% responden segera setelah data terkumpul semuanya
2)
Editing menyeluruh, dilakukan secara menyeluruh terhadap jawaban responden, sehingga dapat diperoleh konsistensi jawaban
Editing Yang sering terjadi misalnya 1)
Jawaban tidak tepat dikolom yang tersedia
2)
Salah menulis jawaban pertanyaan, misalnya data kelamin diisi di kolom jawaban umur
3)
Umur diisi 25 tahun tetapi di jumlah anak diisi 10
4)
Salah menggunakan unit ukuran
Skala dan Sifat Data Sifat
Nominal (seks) +
Ordinal (pendidikan) +
Interval (suhu) +
Rasio (BB) +
Urutan susunan Jarak
-
+
+
+
-
-
+
+
Titik nol absolut
-
-
-
+
Klasifikasi
Koding Memberi angka2 atau kode2 tertentu yang telah disepakati terhadap jawaban2 pertanyaan dalam kuesioner, sehingga memudahkan pada saat memasukkan data ke komputer Misalnya untuk variabel pendidikan: 1)
Tidak sekolah
2)
SD
3)
SMP
4)
SMA
5)
PT
Koding Persyaratan dalam koding: 1)
Kesesuaian, variabel harus sesuai dengan tujuan
2)
Klasifikasi, perlu dibuat kategorisasi untuk pengelompokkan jawaban sesuai rujukan/ alasan tertentu, misal: pendapatan
3)
Jawaban tidak mendua, pilihan jawaban yang tersedia harus jelas definisi operasionalnya
4)
Harus tersedia buku definisi variabel
Data Entry Menyiapkan lembar kerja yang berisi variabel2 dalam kuesioner secara lengkap (program SPSS, Stata, Epi-Info, dll) Masukkan data jawaban kuesioner sesuai kode yang telah ditentukan untuk masing-masing variable sehingga menjadi suatu data dasar Siapkan file khusus untuk menyimpan data dasar tersebut yang tidak boleh dianalisis. Untuk melakukan analisis data maka gunakan file khusus
Data Cleaning Merupakan analisis data awal, dimana dilakukan penggolongan, pengurutan dan penyederhanaan data, sehingga mudah dibaca dan diinterpretasi Untuk data nominal dan ordinal, dibuat tabulasi distribusi frekuensi untuk setiap variabel Untuk data interval/rasio, dianalisis nilai tengah dan tes normalitas datanya
Data Cleaning Tabel distribusi frekuensi untuk: 1)
Deskripsi ciri-ciri atau karakteristik dari suatu variabel
2)
Mempelajari distribusi dari variabel pokok
3)
Memilih klasifikasi2 pokok untuk tabulasi silang
Data Cleaning Tabel silang, yaitu teknik untuk membandingkan atau melihat hubungan antara dua variabel atau lebih: 1)
Dihitung persentase responden untuk setiap kelompok
2)
Variabel bebas pada baris (faktor risiko)
3)
Variabel terikat pada kolom (penyakit)
Selanjutnya, data siap dianalisis untuk membuktikan hipotesis penelitian dengan analisis statistik bivariat dan multivariat
SPSS (statistical program for social sciences)
Tampilan layar SPSS ada 2: Sebagai lembar kerja seperti Excel, dBase = data view Sebagai definisi operasional = variable view Dengan menu2 yang mudah dijalankan
Data view Variabel Variabel Variabel dst 1 2 dst
Variabel view Name
1
2
dst
Type
Width
Decimals Label
Values dst
Penggunaan SPSS Menyiapkan sarana untuk data entry (penyusunan lembar kerja) Membantu data cleaning (analisis awal) Analisis statistik untuk membuktikan hipotesis Analisis statistik untuk penyajian data
Latihan Penggunaan SPSS 1. 2. 3. 4.
Menyiapkan sarana untuk data entry (penyusunan lembar kerja) Membantu data cleaning (analisis awal) Analisis statistik untuk membuktikan hipotesis Analisis statistik untuk penyajian data
Menyiapkan sarana untuk data entry (penyusunan lembar kerja) Data latihan – dietstudy: File – open – data – pilih file - open Lihat data view: jumlah kasus Lihat variabel view: jumlah variabel Buat code book variable: utilities – file info
Menyiapkan sarana untuk data entry: penyusunan lembar kerja
Menyiapkan data dasar – latihan membuat data dasar:
Lokasi penelitian Tanggal pengambilan data Nama ibu Tanggal lahir Berat badan Tinggi badan Tingkat pendidikan ibu Jenis pekerjaan ibu Pengetahuan ibu tentang gizi seimbang
Data entry – latihan
Analisis data: data cleaning Analisis univariat (deskriptif, frekuensi, explore) Uji normalitas data (KS, histogram) Analisis bivariat (crosstab)
Cara penyajian data:
Data nominal/ordinal distribusi frekuensi (proporsi): analyze – pilih descriptive statistics – pilih frequencies – masukkan variabel kategorik dalam variable (agegroup) – aktifkan display frequency table –pilih OK. age grouping
Valid
<50 50-60 >60 Total
Frequency 5 6 5 16
Percent 31.3 37.5 31.3 100.0
Valid Percent 31.3 37.5 31.3 100.0
Cumulative Percent 31.3 68.8 100.0
Cara penyajian data:
Data interval/rasio: Distribusi
normal: mean ± SD Distribusi tidak normal: median (min-maks)
Distribusi normal? 1.
Signifikansi KS >0,05
2.
Signifikansi SW >0,05
3.
Nilai kerampingan dan kemiringan
4.
Histogram dalam area kurva normal
Nilai kemiringan dan kerampingan Nilai kemiringan (skewness) dan nilai kerampingan (kurtosis) digunakan untuk menentukan distribusi normal/simetris dari data bergantung dari bentuk kurva distribusi data
Nilai kemiringan dan kerampingan Distribusi normal/ simetris
Miring (skew) ke kiri
Miring (skew) ke kanan
Nilai kemiringan dan kerampingan Contoh: Bila diketahui skewness -0,316 dan standard error skewness 0,254 maka rasio skewness = -0,316/0,254 = -1,244 Dengan kurtosis 0,284 dan standard error kurtosis 0,503 maka rasio kurtosis = 0,284/0,503 = 0,564 Sehingga rasio skewness dan kurtosis keduanya berada di antara interval angka -2 dan +2 atau distribusi data normal atau simetris
Histogram
Count
12
8
4
0 10.00
11.00
12.00
13.00
14.00
hemoglobin concentration after intervention
Histogram: Bentuk kurva simetris Mean = median = mode Kiri = kanan = 50%
Uji normalitas data:
analyze – pilih descriptive statistics – pilih explore – masukkan variabel rasio dalam dependent list (wgt0) – pada pilihan display pilih plots – klik plots – pilih normality plots with test (non-aktifkan yang lainnya) – pilih continue – pilih OK. Perhatikan tampilan tabel test of normality
Uji Kolmogorov-Smirnov (KS) dan Shapiro-Wilk (SW) Tests of Normality Kolmogorova Smirnov Shapiro-Wilk
Statistic df Sig. Statistic df Sig.
Cholesterol .156 16 .200* .938 16 .320
*. This is a lower bound of the true significance. a. Lilliefors Significance Correction
Penyajian data numerik: Descriptives Cholesterol
Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis
Lower Bound Upper Bound
Statistic 198.38 180.54
Std. Error 8.368
216.21 197.75 198.50 1120.383 33.472 151 257 106 62.75 .113 -1.318
.564 1.091
Analisis data: data cleaning Analisis bivariat (crosstab) Analyze – pilih descriptive statistics – pilih crosstab – pada row masukkan data kategorik variabel bebas (gender) – pada column(s) masukkan data kategorik variabel terikat (cholstat)– pada display aktifkan clustered bar chart - pilih OK. Perhatikan outputnya
8
7
6
5
4
3
final cholesterol st Count
2
normal
1
Gender * final cholesterol status Crosstabulation
high Male
Female
Gender
Gender
Male
Female
Total
Count % within Gender % within final cholesterol status % of Total Count % within Gender % within final cholesterol status % of Total Count % within Gender % within final cholesterol status % of Total
final cholesterol status normal high 2 7 22.2% 77.8%
Total 9 100.0%
22.2%
100.0%
56.3%
12.5% 7 100.0%
43.8% 0 .0%
56.3% 7 100.0%
77.8%
.0%
43.8%
43.8% 9 56.3%
.0% 7 43.8%
43.8% 16 100.0%
100.0%
100.0%
100.0%
56.3%
43.8%
100.0%
Analisis data: untuk membuktikan hipotesis Analisis bivariat crosstab, korelasi, uji T dua sampel bebas dan berpasangan) Analisis multivariat (ANOVA, regresi ganda)
Analisis data: untuk membuktikan hipotesis Analisis bivariat crosstab: Analyze – pilih crosstab – pada row masukkan variabel bebas (gender) – pada column(s) masukkan variabel terikat (cholstat) – pilih statistics – klik continue – OK. Perhatikan hasilnya.
Chi-Square Tests
Pearson Chi-Square Continuity Correctiona Likelihood Ratio Fisher's Exact Test Linear-by-Linear Association N of Valid Cases
Value 9.679b 6.777 12.395 9.074
df 1 1 1 1
Asymp. Sig. (2-sided) .002 .009 .000
Exact Sig. (2-sided)
Exact Sig. (1-sided)
.003
.003
.003
16
a. Computed only for a 2x2 table b. 3 cells (75.0%) have expected count less than 5. The minimum expected count is 3.06.
age grouping * final cholesterol status Crosstabulation
age grouping
<50
50-60
>60
Total
Count % within age grouping % within final cholesterol status % of Total Count % within age grouping % within final cholesterol status % of Total Count % within age grouping % within final cholesterol status % of Total Count % within age grouping % within final cholesterol status % of Total
final cholesterol status normal high 4 1 80.0% 20.0%
Total 5 100.0%
44.4%
14.3%
31.3%
25.0% 2 33.3%
6.3% 4 66.7%
31.3% 6 100.0%
22.2%
57.1%
37.5%
12.5% 3 60.0%
25.0% 2 40.0%
37.5% 5 100.0%
33.3%
28.6%
31.3%
18.8% 9 56.3%
12.5% 7 43.8%
31.3% 16 100.0%
100.0%
100.0%
100.0%
56.3%
43.8%
100.0%
Chi-Square Tests
Pearson Chi-Square Likelihood Ratio Linear-by-Linear Association N of Valid Cases
Value 2.455a 2.558 .381
2 2
Asymp. Sig. (2-sided) .293 .278
1
.537
df
16
a. 6 cells (100.0%) have expected count less than 5. The minimum expected count is 2.19.
Uji KS 2 sampel tidak berpasangan
Analyze – non-parametric tests – 2 independent samples – aktifkan KS – test variable: agegroup – grouping: cholstat OK Test Statisticsa Most Extreme Differences
Absolute Positive Negative
Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed) a. Grouping Variable: cholesterol status
age grouping .302 .302 -.048 .598 .866
Analisis data: untuk membuktikan hipotesis Korelasi: Analyze – pilih correlate – pilih bivariate – masukkan dua variabel numerik – pilih Pearson – pilih two tailed – aktifkan flag significant correlation – pilih option – aktifkan exclude case pairwise – OK. Perhatikan hasilnya
Analisis data: untuk membuktikan hipotesis Korelasi: Analyze – pilih correlate – pilih bivariate – masukkan dua variabel numerik – pilih Spearman – pilih two tailed – aktifkan flag significant correlation – pilih option – aktifkan exclude case pairwise – OK. Perhatikan hasilnya
Correlations
Cholesterol
Final cholesterol
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
Final Cholesterol cholesterol 1 .996** . .000 16 16 .996** 1 .000 . 16 16
**. Correlation is significant at the 0.01 level (2-tailed). Correlations
Spearman's rho
Cholesterol
Final cholesterol
Correlation Coefficient Sig. (2-tailed) N Correlation Coefficient Sig. (2-tailed) N
**. Correlation is significant at the 0.01 level (2-tailed).
Final Cholesterol cholesterol 1.000 .987** . .000 16 16 .987** 1.000 .000 . 16 16
Persamaan regresi:
Graph – interactive – scatter plot – sumbu X = variabel bebas (wgt0) – sumbu Y = variabel terikat (wgt3) – fit – regression – include constant in equation – fit lines for total - OK
250
Final chole s te rol = -7.54 + 1.00 * w gt0 R-Square = 0.99
Final cholesterol
225
200
175
150
150
175
200
Cholesterol
225
250
Linear Regression
Analisis data: untuk membuktikan hipotesis Uji T dua sampel bebas: Analyze – pilih compare means – pilih independent samples t-test – pada test variable(s) pilih variabel numerik (wgt0) – pada grouping variable masukkan variabel 2 kategorik (gender) – pada define group masukkan 1 untuk group 0 dan 2 untuk group 1 – pilih continue – pada option aktifkan tingkat kepercayaan 95% dan exclude cases analysis by analysis – pilih continue dan OK. Perhatikan hasilnya
Group Statistics
Cholesterol
Gender Male Female
N 9 7
Mean 223.78 165.71
Std. Deviation 18.754 10.935
Std. Error Mean 6.251 4.133
Independent Samples Test
Levene's Test for Equality of Variances t-test for Equality of Means
Cholesterol Equal variances Equal variances assumed not assumed 1.521 .238 7.255 7.748 14 13.168 .000 .000
F Sig. t df Sig. (2-tailed) Mean Difference Std. Error Difference 95% Confidence Interval of the Difference
Lower Upper
58.06
58.06
8.003
7.494
40.898 75.229
41.895 74.232
Non-parametrik – Mann Whitney:
Analyze – non-parametric tests – 2 independent samples - pada test variable(s) pilih variabel numerik (wgt0) – pada grouping variable masukkan variabel 2 kategorik (gender) – pada define group masukkan 1 untuk group 0 dan 2 untuk group 1 – pilih continue – pada test type aktifkan Mann Whitney –OK. Perhatikan hasilnya
Ranks Cholesterol
Gender Male Female Total
N 9 7 16
Mean Rank 12.00 4.00
Sum of Ranks 108.00 28.00
Test Statisticsb Mann-Whitney U Wilcoxon W Z Asymp. Sig. (2-tailed) Exact Sig. [2*(1-tailed Sig.)]
Cholesterol .000 28.000 -3.339 .001 a
.000
a. Not corrected for ties. b. Grouping Variable: Gender
Analisis data: untuk membuktikan hipotesis Uji T dua sampel berpasangan): Analyze – pilih compare means – pilih paired samples t-test – pada paired variable(s) masukkan variabel numerik sebelum intervensi (wgt0) dan variabel numerik sesudah intervensi (wgt4) - pada option aktifkan tingkat kepercayaan 95% dan exclude cases analysis by analysis – pilih continue dan OK. Perhatikan hasilnya
Paired Samples Statistics
Pair 1
Cholesterol Final cholesterol
Mean 198.38 190.31
N 16 16
Std. Deviation 33.472 33.508
Std. Error Mean 8.368 8.377
Paired Samples Test
Paired Differences
Mean Std. Deviation Std. Error Mean 95% Confidence Interval of the Difference
t df Sig. (2-tailed)
Pair 1 Cholesterol Final cholesterol 8.06 2.886 .722 Lower Upper
6.52 9.60 11.175 15 .000
Analisis data: untuk membuktikan hipotesis Uji T dua sampel berpasangan): Analyze – pilih non-parametric tests – pilih 2 related samples – pilih variabel numerik wgt0 dan variabel numerik wgt4 - dan OK. Perhatikan hasilnya
Ranks N Final cholesterol - Cholesterol
Negative Ranks Positive Ranks Ties Total
16a 0b 0c 16
Mean Rank 8.50 .00
a. Final cholesterol < Cholesterol b. Final cholesterol > Cholesterol c. Final cholesterol = Cholesterol
Test Statisticsb
Z Asymp. Sig. (2-tailed)
Final cholesterol Cholesterol -3.526a .000
a. Based on positive ranks. b. Wilcoxon Signed Ranks Test
Sum of Ranks 136.00 .00
Analisis data: untuk membuktikan hipotesis Analisis multivariat (ANOVA): Analyze – pilih compare means – pilih one-way anova – pada dependent list pilih variabel numerik (wgt0) – pada faktor pilih variabel lebih 2 kategorik (agegroup) – pada option aktifkan descriptive dan homogeneity of variance – pilih continue – pada post-hoc pilih bonferroni – pilih continue dan OK. Perhatikan hasilnya
Descriptives Cholesterol
N <50 50-60 >60 Total
5 6 5 16
Mean 187.40 215.50 188.80 198.38
Std. Deviation 29.433 37.212 29.987 33.472
95% Confidence Interval for Mean Lower Bound Upper Bound 150.85 223.95 176.45 254.55 151.57 226.03 180.54 216.21
Std. Error 13.163 15.192 13.410 8.368
Minimum 158 151 157 151
ANOVA Cholesterol
Between Groups Within Groups Total
Sum of Squares 2820.250 13985.500 16805.750
df 2 13 15
Mean Square 1410.125 1075.808
F 1.311
Sig. .303
Maximum 233 257 222 257
Multiple Comparisons Dependent Variable: Cholesterol Bonferroni
(I) age grouping <50 50-60 >60
(J) age grouping 50-60 >60 <50 >60 <50 50-60
Mean Difference (I-J) -28.10 -1.40 28.10 26.70 1.40 -26.70
Std. Error 19.861 20.744 19.861 19.861 20.744 19.861
Sig. .542 1.000 .542 .605 1.000 .605
95% Confidence Interval Lower Bound Upper Bound -82.64 26.44 -58.36 55.56 -26.44 82.64 -27.84 81.24 -55.56 58.36 -81.24 27.84
Uji Kruskal-Wallis:
Analyze – non-parametric tests – k independent samples – test variable: wgt0 – grouping: agegroup – define: minimum (1) dan maximum (3) – continue - OK
Ranks Cholesterol
age grouping <50 50-60 >60 Total
N 5 6 5 16
Mean Rank 7.20 10.75 7.10
Test Statisticsa,b Chi-Square df Asymp. Sig.
Cholesterol 2.152 2 .341
a. Kruskal Wallis Test b. Grouping Variable: age grouping
REGRESI BERGANDA
Memprediksi besar variabel dependen dengan menggunakan data variabel bebas yang sudah diketahui besarnya
REGRESI BERGANDA
Analyze – regression – linear: Dependent
: WGT4 Independent(s): WGT0, TG0, AGE Case labels: gender Method: enter OK
REGRESI BERGANDA Variables Entered/Removedb Model 1
Variables Entered Cholestero l, Age in years, Triglycerid a e
Variables Removed
Method
.
Enter
a. All requested variables entered. b. Dependent Variable: Final cholesterol
REGRESI BERGANDA
Model Summary Model 1
R .997a
R Square .994
Adjusted R Square .992
Std. Error of the Estimate 2.953
a. Predictors: (Constant), Cholesterol, Age in years, Triglyceride
REGRESI BERGANDA ANOVAb Model 1
Regression Residual Total
Sum of Squares 16736.790 104.648 16841.438
df 3 12 15
Mean Square 5578.930 8.721
a. Predictors: (Constant), Cholesterol, Age in years, Triglyceride b. Dependent Variable: Final cholesterol
F 639.737
Sig. .000a
REGRESI BERGANDA Coefficientsa
Model 1
(Constant) Age in years Triglyceride Cholesterol
Unstandardized Coefficients B Std. Error 3.375 8.574 -.164 .111 -.010 .027 .995 .024
Standardized Coefficients Beta -.034 -.009 .994
t .394 -1.477 -.373 42.243
Sig. .701 .165 .716 .000
a. Dependent Variable: Final cholesterol
Persamaan regresi: Kadar kolesterol akhir = 3,375 – 0,164 usia – 0,10 kadar trigliserida awal + 0,995 kadar kolesterol awal
REGRESI BERGANDA Residuals Statisticsa Predicted Value Residual Std. Predicted Value Std. Residual
Minimum 142.66 -5.05 -1.426 -1.712
Maximum 249.33 4.88 1.767 1.652
a. Dependent Variable: Final cholesterol
Mean 190.31 .00 .000 .000
Std. Deviation 33.403 2.641 1.000 .894
N 16 16 16 16
REGRESI BERGANDA Variables Entered/Removedb Model 1
Variables Entered Cholestero a l
Variables Removed
Method .
Enter
a. All requested variables entered. b. Dependent Variable: Final cholesterol
Model Summaryb Model 1
R .996a
R Square .993
Adjusted R Square .992
a. Predictors: (Constant), Cholesterol b. Dependent Variable: Final cholesterol
Std. Error of the Estimate 2.986
REGRESI BERGANDA ANOVAb Model 1
Regression Residual Total
Sum of Squares 16716.618 124.819 16841.438
df
a. Predictors: (Constant), Cholesterol b. Dependent Variable: Final cholesterol
1 14 15
Mean Square 16716.618 8.916
F 1874.976
Sig. .000a
REGRESI BERGANDA Coefficientsa
Model 1
(Constant) Cholesterol
Unstandardized Coefficients B Std. Error -7.536 4.630 .997 .023
Standardized Coefficients Beta .996
t -1.628 43.301
Sig. .126 .000
a. Dependent Variable: Final cholesterol
Persamaan regresi: Kadar kolesterol akhir = -7,536 + 0,997 kadar kolesterol awal
Correlations
Cholesterol
Final Cholesterol cholesterol 1 .996** . .000 16 16 .996** 1 .000 . 16 16
Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N
Final cholesterol
**. Correlation is significant at the 0.01 level (2-tailed). 250
Final chole s te rol = -7.54 + 1.00 * w gt0 R-Square = 0.99
Final cholesterol
225
200
175
150
150
175
200
Cholesterol
225
250
Linear Regression
Uji regresi logistik binari
Ingin memprediksi variabel dependen yang berskala binari (ya=1 dan tidak=0) dengan menggunakan data variabel independen yang sudah diketahui besarnya
Uji regresi logistik binari Buka SPSS: file – data –dietstudy Analyze – Regression – Binary logistic:
Dependent:
cholst0 (status kadar kolesterol awal, 1=tinggi, 0=normal) Covariates: age dan TG0 Options: Homer-Lemeshow goodness of fit OK
Uji regresi logistik binari Case Processing Summary Unweighted Cases Selected Cases
Unselected Cases Total
a
N Included in Analysis Missing Cases Total
16 0 16 0 16
Percent 100.0 .0 100.0 .0 100.0
a. If weight is in effect, see classification table for the total number of cases.
Uji regresi logistik binari Omnibus Tests of Model Coefficients Step 1
Step Block Model
Chi-square 1.902 1.902 1.902
df 2 2 2
Sig. .386 .386 .386
Uji regresi logistik binari Model Summary Step 1
-2 Log likelihood 20.028
Cox & Snell R Square .112
Nagelkerke R Square .150
Hosmer and Lemeshow Test Step 1
Chi-square 9.129
df 6
Sig. .166
Uji regresi logistik binari Contingency Table for Hosmer and Lemeshow Test
Step 1
1 2 3 4 5 6 7 8
cholesterol status = normal Observed Expected 2 1.570 2 1.516 1 1.453 0 1.118 0 1.024 2 .920 1 .787 1 .613
cholesterol status = high Observed Expected 0 .430 0 .484 1 .547 2 .882 2 .976 0 1.080 1 1.213 1 1.387
Total 2 2 2 2 2 2 2 2
Uji regresi logistik binari Classification Tablea Predicted
Step 1
Observed cholesterol status Overall Percentage
a. The cut value is .500
normal high
cholesterol status normal high 5 4 4 3
Percentage Correct 55.6 42.9 50.0
Uji regresi logistik binari Variables in the Equation Step a 1
AGE TG0 Constant
B .042 .025 -5.970
S.E. .079 .020 5.416
Wald .277 1.527 1.215
df 1 1 1
Sig. .598 .217 .270
Exp(B) 1.043 1.025 .003
a. Variable(s) entered on step 1: AGE, TG0.
Penafsiran dan prediksi: Status kadar kolesterol = -5,970 + 0,42 usia + 0,025 kadar trigliserida
Analisis data: untuk penyajian data Hasil analisis statistik Diagram batang (bar) Histogram Boxplot Scatterplot Pie chart dll
Bars show counts
60
Count
40
20
0 Bekerja
Tidak Bekerja/Ibu Rumah Tangga
working status
Count
12
8
4
0 10.00
11.00
12.00
13.00
14.00
hemoglobin concentration after intervention
hemoglobin concentration after intervention 14.00
13.00
12.00
11.00
10.00
Linear Regression
170.00
height
160.00
150.00
he ight = 141.89 + 0.23 * w e ight_2 R-Square = 0.21
40.00
50.00
60.00
70.00
80.00
weight after intervention
90.00
5.56% 7.78%
last education
16.67%
SD SLTP SMU Akademi Perguruan Tinggi Pies show percents 20.00%
50.00%
