IMPLEMENTASI SISTEM
5.5 Hasil Output Pengolahan Data dalam SPSS
a. Bagian Descriptive Statistics
Descriptive Statistics Mean Std. Deviation N Jumlah_Kematian_Bayi 53.57 33.867 21 Banyak_Posyandu 425.81 184.373 21 Tamat_SD 32637.43 13678.569 21 Gizi_Buruk 10272.86 2499.135 21
Interpretasi :
1. Rata-rata jumlah kelahiran (dengan jumlah data 21) adalah : 53,57 jiwa dengan standard deviasi 33,867.
2. Rata-rata banyak posyandu (dengan jumlah data 21) adalah : 425,81 unit dengan standard deviasi 184,373.
3. Rata-rata pendidikan ibu (tamat SD) (dengan jumlah data 21) adalah : 32.637,43 dengan standard deviasi 13.678,569.
4. Rata-rata jumlah gizi buruk (dengan jumlah data 21) adalah : 10.272,86 dengan standard deviasi 2.499,135.
b. Bagian Correlations Correlations Jumlah_Kematian _Bayi Banyak_ Posyandu Tamat_ SD Gizi_ Buruk
Pearson Correlation Jumlah_Kematian_Bayi 1.000 .322 .562 .513
Banyak_Posyandu .322 1.000 .848 .260
Tamat_SD .562 .848 1.000 .429
Gizi_Buruk .513 .260 .429 1.000
Sig. (1-tailed) Jumlah_Kematian_Bayi . .078 .004 .009
Banyak_Posyandu .078 . .000 .128 Tamat_SD .004 .000 . .026 Gizi_Buruk .009 .128 .026 . N Jumlah_Kematian_Bayi 21 21 21 21 Banyak_Posyandu 21 21 21 21 Tamat_SD 21 21 21 21 Gizi_Buruk 21 21 21 21
Interpretasi :
1. Besar hubungan antar variabel jumlah kematian bayi dengan banyak posyandu
yang dihitung dengan koefisien korelasi adalah 0,322. Variabel jumlah
kematian bayi dengan pendidikan ibu (tamat SD) diperoleh 0,562. Dan
variabel jumlah kematian bayi dengan gizi buruk diperoleh 0,513. Karena
korelasi jumlah kematian bayi dengan pendidikan ibu lebih besar, maka
variabel pendidikan ibu(tamat SD) lebih berpengaruh terhadap jumlah
kematian bayi dibanding dengan variabel banyak posyandu dan gizi buruk.
2. Terjadi korelasi yang kuat antara variabel banyak posyandu dengan
pendidikan ibu (tamat SD), yaitu sebesar 0,848. Dan korelasi yang lemah
antara variabel banyak posyandu dengan gizi buruk yaitu sebesar 0,260 dan
antara variabel gizi buruk dengan banyak posyandu yaitu sebesar 0,260.
3. Tingkat signifikansi koefisien korelasi satu sisi dari output (diukur dari
probabilitas) menghasilkan angka 0,000 atau praktis 0. Karena probabilitas
jauh di bawah 0,05 maka korelasi diantara variabel jumlah kematian bayi
dengan banyak posyandu, pendidikan ibu (tamat SD), dan gizi buruk adalah
c. Bagian variables entered/removed
Variables Entered/Removed
Model Variables Entered Variables Removed Method
1 Gizi_Buruk,
Banyak_Posyandu, Tamat_SDa
. Enter
a. All requested variables entered.
Interpretasi :
Tabel variables entered menunjukkan bahwa tidak ada variabel yang dikeluarkan
(removed) atau dengan kata lain ketiga variabel bebas dimasukkan dalam
perhitungan regresi.
d. Bagian Model Summary
Model Summaryb Model R R Square Adjusted R Square Std. Error of the Estimate 1 .678a .460 .364 27.000
a. Predictors: (Constant), Gizi_Buruk, Banyak_Posyandu, Tamat_SD b. Dependent Variable: Jumlah_Kematian_Bayi
Interpretasi :
1. Angka R square adalah 0,460. Hal ini berarti 46% jumlah kematian bayi bisa
dijelaskan oleh variabel banyak posyandu, pendidikan ibu (tamat SD) dan gizi
buruk. Sedangkan sisanya (100% - 46% = 64%) dijelaskan oleh sebab-sebab
yang lain.
2. Standard error of estimate adalah 27,000. Perhatikan pada analisis
sebelumnya, bahwa standard deviasi jumlah kematian bayi adalah 33,687 yang
lebih besar dari standard error of estimate yang hanya 27,000. Karena
nilainya lebih kecil dari standard deviasi, maka model regresi lebih bagus
dalam bertindak sebagai predictor jumlah kematian bayi daripada rata-rata
jumlah kematian itu sendiri.
e. Bagian Anova
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 10546.120 3 3515.373 4.822 .013a
Residual 12393.023 17 729.001
Total 22939.143 20
a. Predictors: (Constant), Gizi_Buruk, Banyak_Posyandu, Tamat_SD b. Dependent Variable: Jumlah_Kematian_Bayi
f. Bagian Coefficients Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. Correlations
B Std. Error Beta Zero-order Partial Part
1 (Constant) -16.322 27.035 -.604 .554
Banyak_Posyandu -.082 .063 -.447 -1.299 .211 .322 -.301 -.232
Tamat_SD .002 .001 .822 2.235 .039 .562 .476 .398
Gizi_Buruk .004 .003 .276 1.365 .190 .513 .314 .243
Interpretasi :
1. Konstanta sebesar -16,322 menyatakan bahwa jika tidak ada banyak
posyandu, pendidikan ibu (tamat SD), dan gizi buruk maka jumlah kematian
bayi adalah -16,322. Dengan kata lain terjadi penurunan jumlah kematian
bayi.
a. Koefisien regresi X1 sebesar -0,082 menyatakan bahwa setiap pengurangan ( karena tanda - ) 1 unit posyandu maka, terjadi penurunan jumlah
kematian bayi sebesar -0,082.
b. Koefisien regresi X2 sebesar 0,002 menyatakan bahwa setiap penambahan ( karena tanda + ) 1 orang ibu yang berpendidikan, maka terjadi
penurunan jumlah kematian bayi sebesar 0,002.
c. Koefisien regresi X3 sebesar 0,004 menyatakan bahwa setiap penambahan (karena tanda + ) 1 anak yang mengalami gizi buruk, maka akan terjadi
kenaikan jumlah kematian bayi sebesar 0,004.
2. Uji t untuk menguji signifikansi konstanta dan variabel dependent.
a. Untuk banyak posyandu, pada tabel dapat dilihat bahwa thitung sebesar -1,299. Dan nilai ttabel dapat dilihat pada tabel t dengan dk = 17 dan α =
0,05 yaitu 2,11. Karena thitung = -1,299 < ttabel = 2,11 maka H0 diterima.
Atau koefisien regresi tidak signifikan, banyak posyandu tidak benar-benar
berpengaruh secara signifikan terhadap jumlah kematian bayi.
b. Untuk pendidikan ibu (tamat SD), pada tabel dapat dilihat bahwa thitung
sebesar 2,235. Dan nilai ttabel dapat dilihat pada tabel t dengan dk = 17 dan
α = 0,05 yaitu 2,11. Karena thitung = 2,235 > ttabel = 2,11 maka Ho ditolak. Atau koefisien regresi signifikan, pendidikan ibu(tamat SD) benar-benar
berpengaruh terhadap jumlah kematian bayi.
c. Untuk gizi buruk, pada tabel dapat dilihat bahwa thitung sebesar 1,365. Dan nilai ttabel dapat dilihat pada tabel t dengan dk = 17 dan α = 0,05 yaitu 2,11. Karena thitung = 1,365 < ttabel = 2,11 maka Ho diterima. Atau koefisien regresi tidak signifikan, gizi buruk tidak benar-benar berpengaruh terhadap
jumlah kematian bayi.
g. Bagian Gambar (chart)
Setelah diuraikan bagian output angka, sekarang beralih ke bagian output
berupa chart untuk menganalisis hubungan setiap variabel bebas dengan
Gambar 5.8 Output Partial Regression Plot Pertama
Interpretasi :
Dari gambar terlihat bahwa data terpencar ke segala arah dan tidak membentuk
suatu pola atau trend garis tertentu. Maka dapat dikatakan model regresi tidak
memenuhi syarat untuk memprediksi jumlah kematian bayi.
Gambar 5.9 Output Partial Regression Plot Kedua
Interpretasi :
Dari gambar terlihat bahwa data terpencar menyebar dan hampir membentuk
suatu pola atau trend garis tertentu. Maka dapat dikatakan bahwa model regresi
Gambar 5.10 Output Partial Regression Plot Ketiga
Interpretasi :
Dari gambar dapat dilihat bahwa data terpencar disekitar angka 0 (pada sumbu Y)
dan tidak membentuk suatu pola atau trend garis tertentu. Maka dapat dikatakan
model regresi tidak memenuhi syarat untuk memprediksi jumlah kematian bayi.
BAB 6