Pengaktifan SPSS 43 - Analisa Dan Evaluasi 31

BAB 4 Analisa Dan Evaluasi 31

5.3 Pengaktifan SPSS 43

SPSS 14.0 for windows menggunakan dua buah type windows, yaitu SPSS data editor dan output viewer. Data editor memiliki bentuk tampilan sejenis

spreadsheet seperti pada excel yang digunakan sebagai fasilitas untuk mengisikan,

menyunting, dan menampilkan isi dari data penelitian.

SPSS data editor memiliki dua spreadsheet ( lembar kerja ), yaitu sheet pertama dengan nama data view dan sheet kedua dengan nama variable view. Menu utama yang tersedia pada jendela data editor SPSS 14.0 for windows adalah File, Edit, View, Data, Tansform, Analyze, Graphs, Windows, Help.

Untuk mengaktifkan SPSS 14.0 for windows dengan menggunakan start menu program, maka dapat dilakukan langkah-langkah sebagai berikut :

1. Klik menu Start, pilih Program

2. Pilih item SPSS 15.0 for windows, maka akan muncul gambar sebagai

berikut

Gambar 5.1 Tampilan Start Membuka Program SPSS 14.0 For Windows

Dalam tampilan diatas terdapat dua jendela, yang pertama adalah SPSS data editor yang berguna untuk tempat memasukkan data, dan yang kedua adalah beberapa menu pilihan yang dapat digunakan dalam analisis lebih lanjut dan bnerkaitan dengan manajemen data, seperti Syntax Editor, Output Navigator, dan Script.

Setiap data yang akan dianalisis harus terlebih dahulu ditanpilkan dalam jendela data editor. Bila data sudah tersimpan dalam suatu file, baik file yang sudah mempunyai format SPSS maupun file yang mempunyai format aplikasi, dapat dibuka dalam SPSS. pemasukan data pada tulisan ini dilakukan dengan cara langsung, yakni mendefenisikan variablel terlebih dahulu, kemudian memasukkan data dengan langkah-langkah sebagi berikut :

1. Aktifkan variable view , kemudian isikan nama variable pada kolom Name, seperti tampilan pada gambar 4.2

Gambar 5.2 Tampilan Pembuka SPSS 14.0

Klik Variabel View, yang terletak disebelah kiri bawah jendela editor, lalu lakukan langkah-langkah berikut :

1. Name : Ketik nama variabel yang kita inginkan

3. Width : Digunakan untuk menentukan jarak /lebar kolom

4. Lebel : Ketikan nama sesuai dengan identitas dari nama variabel, nama variabel hanya tersiri dari 8 digit / karakter

5. Velue : Digunakan untuk mengisi penjelasan nama ( lebel ) pada variabel 6. Missing : Digunakan untuk penjelasan data yang hilang / rusak

7. Columns: Digunakan untuk menentukan lebar kolom

8. Align : Digunakan untuk menentukan letak pengisian data, apakah rata kiri, rata kanan, atau diletakkan ditengah-tengah kolom.

9. Measure: Digunakan untuk menentukan jenis data

2. Setelah pendefenisian dilakukan, maka pengisian data dilakukan dengan

mengaktifkan terlebih dahulu Data View, kemudian masukkan semua input data yang terlibat dalam pembentukan analisis jalur dengan X1 sebagai angka kemiskinan, X2 wanita yang belum tamat SD. Kedua variabel tersebut dinyataka dengan variabel bebas, sedangkan untuk variabel tak bebasnya dinyatakan dengan Y yakni sebagai nilai angka gizi buruk pada balita. Semua hal diatas dapat lebih jelas dilihat pada gambar dibawah ini :

5.5 Pengisian Data

1. Aktifkan jendela data dengan mengklik data view, yang terletak disudut kiri bawah jendela editor.

2. Selanjutnya ketikkan data yang sesuai untuk setiap variabel yang telah didefinisikan.

Gambar 5.3 Pengisian Data

5.6 Pengolahan Data Dengan Persamaan Regresi

1. Tampilkan file yang akan ditentukan oleh persamaan regresi pada jendela editor yang tampak.

2. pilih menu analyze, kemudian pilih sub menu Regression dengan kursor, dan pilih linier yang keluar pada tampilan jendela editor.

Gambar 5.4 Tampilan Menu Analyze

3. Setelah muncul kotak dialog, kemudian sorot variabel yang menjadi variabel tidak bebas, dan pindahkan ke kotak Variable Dependent. Demikian juga sorot variable Independent.

4. Klik Statistic pada kotak dialog Linier Regression, aktifkan Estimate, Model Fit, Casewise Diagnostic, kemudian klik Continue untuk melanjutkannya, lalu klik OK.

Gambar 5.6 Kotak Dialog Linier Regression Statistic

5. Kemudian klik Plots pada kotak tersebut, lalu aktifkan Produce All Partial Plots, kemudian klik Continue, lalu klik OK pada kotak dialog linier Regression untuk melihat hasilnya / Outputnya.

Gambar 5.7 Kotak Dialog Linier Regression Plots

BAB 6

PENUTUP

6.1 Kesimpulan

Setelah dilakukan analisis, maka dapat diambil beberapa kesimpulan antara lain :

1. Ternyata dari kedua variabel yaitu Angka Kemiskinan, dan Pendidikan Wanita Yang Belum Tamat SD mempunyai pengaruh yang nyata terhadap penurunan Angka Gizi Buruk Pada Balita di Kabupaten Langkat.

2. Dari persamaan regresi yang didapat, nilai koefisien pada Angka Kemiskinan, dan Wanita Yang Balum Tamat SD bertanda positif artinya persamaan yang didapat telah sesuai dengan realita sehari-hari.

3. Sekitar 47,5 % Angka Gizi Buruk Pada Balita dipengaruhi oleh kedua variabel tersebut, sedangkan 52,5 % dipengaruhi oleh faktor-faktor yang lain.

4. Dari kedua variabel tersebut, keduanya berkorelasi lemah terhadap terjadinya Angka Gizi Buruk Pada Balita yaitu Angka Kemiskinan (34 %) dan Wanita Yang Belum Tamat SD (46 %).

6.2 Saran

Dari analisa dan kesimpulan yang telah didapat, ada beberapa saran yang mungkin bias membantu menekan Angka Gizi Buruk Pada Balita sebagai berikut :

1. Untuk menekan Angka Gizi Buruk Pada Balita di Kabupaten Langkat,

pemerintah harus meningkatkan sarana dan prasarana kesehatan serta meningkatkan mutu tenaga kesehatan, terutama di daerah – daerah pedalaman. 2. Lebih meningkatkan program Jaminan Pemeliharaan Kesehatan Masyarakat,

bagi masyarakat miskin secara merata dan tepat sasaran.

3. Lebih mawajibkan Pendidikan Dasar Sembilan Tahun kepada setiap warga khususnya dan Duabelas Tahun umumnya.

4. Dengan pendidikan yang bagus dan penguasaan tentang tindakan apa yang terbaik menjelang kelahiran dan gizi yang bagus dan sesuai standar dapat menekan Angka Gizi Buruk Pada Balita di Kabupaten Langkat, sehingga perlu dilakukannya sosialisasi pentingnya pendidikan.

DAFTAR PUSTAKA

Sembiring, R.K. 1995. Analisis Regresi. Bandung : Badan Penerbit ITB

Sudjana. 1992. Metoda Statistika. Edisi ke-6. Bandung: Tarsito.

Dr. Purbayu Santosa, MS, Dkk. 2005. Analisis Statistik dengan Microsoft Excel dan SPSS. Semarang : ANDI Yogyakarta.

Regression

[DataSet1] C:\Program Files\SPSSEval\wina.sav

Variables Entered/Removed ^b Pendidika n Wanita Belum Tamat SD(Jiwa), Kemis kina n(Jiwa)^a . Enter Model 1 Variables Entered Variables Removed Method

All requested variables entered. a.

Dependent Variable: Gi zi Buruk(Jiwa) b.

Model Summ ary^b

.467^a .218 .126 20.139 Model 1 R R Square Adjust ed R Square St d. E rror of the Es timate Predic tors: (Constant), Pendidi kan Wanita B elum Tamat SD(Jiwa), K emis kinan(Ji wa)

Dependent Variable: Gizi B uruk (Jiwa) b. ANOVA^b 1926.165 2 963.083 2.375 .123^a 6895.035 17 405.590 8821.200 19 Regression Residual Total Model 1 Sum of

Squares df Mean Square F Sig.

Predictors: (Constant), Pendidikan Wanita Belum Tamat SD(Jiwa), Kemiskinan(Jiwa)

Dependent Variable: Gizi Buruk(Jiwa) b.

Wina Sofie Yustisia : Analisis Faktor Untuk Angka Gizi Buruk Pada Balita Di Kabupaten Langkat Tahun 2006, 2008. USU Repository © 2009 Coefficients^a 8.066 16.740 .482 .636 .002 .008 .064 .224 .826 .342 .054 .048 .566 1.767 .011 .007 .423 1.484 .156 .465 .339 .318 .566 1.767 (Constant) Kemiskinan(Jiwa) Pendidikan Wanita Belum Tamat SD(Jiwa) Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients

t Sig. Zero-order Partial Part Correlations

Tolerance VIF Collinearity Statistics

Dependent Variable: Gizi Buruk(Jiwa) a. Collineari ty Diagnostics^a 2.908 1.000 .01 .01 .00 .065 6.701 .57 .54 .00 .028 10.269 .43 .45 1.00 Dimension 1 2 3 Model 1 Eigenvalue Condit ion

Index (Const ant)

Kemis kin an(Jiwa) Pendidikan W anita Belum Tamat SD(Jiwa) Variance Proportions

Dependent Variable: Gizi Buruk (Jiwa) a. Residuals Statistics^a 25.49 60.24 43.20 10.069 20 -26.931 33.876 .000 19.050 20 -1.759 1.693 .000 1.000 20 -1.337 1.682 .000 .946 20 Predicted Value Residual Std. Predicted Value Std. Residual

Minimum Maximum Mean Std. Deviation N

Dependent Variable: Gizi Buruk(Jiwa) a.

Charts

2 0 -2

Regression Standardized Residual

6 5 4 3 2 1 0 Frequency Mean =-2.78E-16฀ Std. Dev. =0.946฀N =20 Histogram Dependent Variable: Gizi Buruk(Jiwa)

Expected Cum Prob

Normal P-P Plot of Regression Standardized Residual Dependent Variable: Gizi Buruk(Jiwa)

1500 1000 500 0 -500 -1000 Kemiskinan(Jiwa) 40 30 20 10 0 -10 -20 -30 Gi zi Buruk(Jiwa)

Partial Regression Plot Dependent Variable: Gizi Buruk(Jiwa)

Pendidikan Wanita Belum Tamat SD(Jiwa)

-25

Gizi Buruk(

Jiwa)

Partial Regression Plot Dependent Variable: Gizi Buruk(Jiwa)

Dalam dokumen Analisis Faktor Untuk Angka Gizi Buruk Pada Balita Di Kabupaten Langkat Tahun 2006 (Halaman 52-66)