BAB I

PENDAHULUAN

SPSS (Statistical Package for the Social Sciences) adalah sebuah

program pada komputer yang digunakan untuk membuat analisis

statistika. SPSS (pertama dirilis pada tahun 1968, dan diciptakan oleh

Norman Nie, seorang lulusan Fakultas Ilmu Politik dari Stanford

University, yang sekarang menjadi Profesor Peneliti Fakultas Ilmu Politik di

Stanford dan Profesor Emeritus Ilmu Politik di University of Chicago.

Sekarang ini SPSS yang berkembang sudah berbasis Windows

sehingga di kenal dengan SPSS for windows. Petama kali muncul versi

windows adalah SPSS for Windows versi 6.00, hingga kini SPSS yang

paling terbaru adalah SPSS 19. SPSS memilik banyak kegunaan bagi

pengguna seperti peneliti pasar, peneliti kesehatan, perusahaan survei,

pemerintah, peneliti pendidikan, organisasi pemasaran, dan sebagainya.

Pada dasarnya pengoperasian SPSS memiliki kesamaan dalam

berbagai versi, perbedaan hanya pada fasilitas tambahan yang

ditawarkan. Selain itu, SPSS merupakan software statistik yang paling

populer, fasilitasnya sangat lengkap dibandingkan dengan software

lainnya. Oleh karena itu, diharapkan dengan penggunaan SPSS dapat

memberikan kemudahan dan ketepatan dalam mengolah

data.
 Ada beberapa teknik statistik yang dapat digunakan untuk

menganalisis data. Tujuan dari analisis data adalah untuk mendapatkan

informasi yang relevan yang terdapat dalam data tersebut dan

menggunakan hasilnya untuk memecahkan suatu masalah. Dalam bab

pendahuluan ini, sebelum mengolah data, diperlukan pengelompokkan

data terlebih dahulu agar dapat menghasilkan penelitian dengan hasil yang

baik.

DATA PENELITIAN

• Data metriks atau data kuantitatif yaitu data yang berupa angka

menunjukkan jumlah atau banyaknya sesuatu unit.

• Data nonmetrik atau data kualitatif yaitu data yang berupa huruf,

data yang dikategorisasi tetapi tidak dapat dikuantitatifkan atau

dioperasikan dalam hitungan. misalnya jenis kelamin.

TIPE SKALA PENGUKURAN

• Skala Nominal yaitu skala pengukuran yang menyatakan kategori

interistik atau klasifikasi dari konstruksi yang diukur dalam bentuk

variabel dan merupakan data nonparametik atau data kualitatif

(data bukan angka). Contohnya jenis kelamin.

• Skala Ordinal yaitu skala pengukuran yang tidak hanya

menyatakan kategori tapi juga menyatakan peringkat konstruksi

 yang diukur dan data nonparametik atau data kualitatif.

• Skala Internal (Jarak) yaitu skala pengukuran yang menyatakan

kategori, peringkat dan jarak konstruksi. Skala interval mempunyai

karakteristik seperti yang dimiliki oleh skala nominal dan ordinal dan

ditambah ada interval yang tetap dan menggunakan data parametik

atau data kuantitatif (data yang berupa angka).

• Skala Ratio yaitu skala perbandingan yang menunjukkan

kategori, peringkat, jarak dan perbandingan konstruksi yang

diukur. Skala ratio memiliki semua karakteristik yang dipunyai

oleh skala nominal, ordinal, dan interval dan merupakan data

parametik atau kuantitatif (data yang berupa angka). Pengukuran

rasio biasanya dalam bentuk perbandingan antara satu individu

dengan objek lainnya.

 BAB II

PENGENALAN SPSS

MEMBUKA FILE BARU

Untuk file baru dapat dibuat dengan mengaktifkan SPSS 17.0 dilakukan

dengan cara yaitu :

1) Klik menu Start

2) Klik All Programs

3) Klik SPSS for inc

4) Klik SPSS Statistics 17.0, maka akan muncul tampilan seperti di bawah

ini :
Keterangan :

Run the tutorial merupakan pilihan apabila akan menjalankan tutorial

SPSS. Memiliki tampilan seperti yang ada di bawah ini :

Ada 14 macam tutorial yang disajikan dalam SPSS 17.0 dan apabila

ingin memilih salah satu di anataranya, arahkan kursor dan klik bagian

tutorial yang ingin dituju. Selanjutnya untuk menjalankan tutorial dengan

meng-klik tanda

yang terletak di bawah kanan tutorial.

o Type in data. Apabila akan memasukkan data baru dengan

pilihan perintah Type in data, maka secara otomatis SPSS

akan memunculkan pada data view dan variabel view.

o Run an existing query. Pilihan ini memuat menu Open

atau membuka file dengan tipe file *.spq.

o Create new query using Database Wizard

merupakan pilihan untuk engekstrak data non-SPSS.

Biasanya default SPSS adalah data source Dbase mengambil

 data selain default ini, klik Add ODBC Data Source seperti

tampilan di bawah ini :

o Open an existing data source merupakan pilihan apabila akan

membuka file yang baru dibuka atau dengan tipe file *.sav
 o Open another type or file merupakan pilihan untuk membuka file

dengan tipe file selain *.sav.

5) Setelah memilih salah satu dari cara membuka file maka klik OK.

DATA EDITOR

Ada 2 macam data editor di dalam SPSS yaitu :

1. Data view

Data view adalah tempat di mana data statistik yang akan diolah (sudah dalam

bentuk angka skala). Data view memiliki tampilan seperti di bawah ini :
Keterangan :

a) Title bar merupakan nama dari judul SPSS yang sedang dibuka. Pada

umumnya, nama yang diberikan oleh SPSS pada saat membuka pertama kali

yaitu Untitled1[DataSet0]SPSS Statistics Data Editor.

b) Menu berisi perintah mengenai menu di mana di dalamnya terdapat

Submenu yang

digunakan untuk memproses data yang akan diolah.

o File, pada menu utama File memuat 20 pilihan sub-menu.

Pada menu utama File memuat sub-submenu tentang file, di antaranya

membuat file baru (New), membuka (Open), menutup (Close), dan menyimpan

file (Save-Save As…).

o Edit merupakan submenu untuk melakukan pengeditan data yang telah

dimasukkan pada SPSS Data Editor. Beberapa kegunaan dari submenu dari

menu utama Edit adalah melakukan undo atau mengembalikan action terakhir

yang dilakukan, sedangkan redo sebaliknya, cut – clear untuk menghapus data,

copy – paste untuk menggandakan dan duplikasi data, find untuk mencari data,

dan copy – paste variable untuk mengganti variabel data.

o View, merupakan menu yang menampilkan submenu untuk menampilkan

status toolbar yang sedang aktif (Status Bar), toolbar dan font huruf yang

digunakan. Pilihan submenu dari menu utama View seperti berikut :

o Data, merupakan menu yang menampilkan submenu untuk melakukan

perubahan-perubahan terhadap data SPSS, seperti mendefinisikan nilai label

data (define variable properties…), mendefinisikan waktu (define dates…),

mengurutkan data (sort cases), dan memisah isi file dengan riteria tertentu

(split file).

o Transform, merupakan pilihan menu utama yang melakukan operasi

transformasi data, seperti menghitung variabel data ( compute variable…),

mengubah data (recode into same variables…- recode into different variables… )

ataupun me-ranking data (rank cases).

o Analyze, merupakan menu utama yang menjadi pusat pengolahan data

SPSS, menampilkan 21 submenu.

o Graphs, dikelompokkan hanya menjadi 4 submenu, yang menampilkan

berbagai bentuk grafik dan chart.

o Utilities, menu utama yang merupakan pelengkap pada pengoperasian SPSS

ini menyajikan 9 submenu. Beberapa kegunaansubmenu dari menu utama

Utilities adalah menampilkan informasi variabel ( variables…), mendefinisikan,

dan menampilkan variabel data (define-use variabel sets…).

o Add-ons, merupakan menu utama yang menawarkan pelayanan SPSS lewat

website.

o Window, menu ini memberikan informasi window yang sedang aktif.

o Help, menu yang memuat 9 submenu ini memberikan bantuan informasi

tentang topik-topik SPSS (topics) ataupun dalam bentuk tutorial (tutorial).

c) Toolbar berisi icons yang membantu dan mempermudah mengelola data

dengan cepat.

Berikut beberapa icons yang terdapat pada toolbar :

merupakan icon untuk membuka file.

merupakan icon untuk menyimpan file.

merupakan icon untuk mencetak data.

icon untuk mengembalikan action terakhir.

icon untuk mengulang action yang baru saja dilakukan.

d) Baris Nama Variabel merupakan tempat yang menunjukkan nama dari

suatu variabel. Untuk pertama kali baris nama variabel diberi nama Var. Untuk

mengganti nama variabel dapat melalui variabel view dan mengganti dengan

cara double klik kotak variabel tersebut.

e) Baris data

Merupakan barisan yang berisi data-data dalam jumlah banyak yang

merupakan data daripada varibel tersebut.

2. Variabel view

Variabel view merupakan bagian yang digunakan untuk mendefinisikan variabel

data yang akan dimasukkan. Untuk mengaktifkan kotak Variabel View lakukan

dengan klik Variabel View (bagian yang diberi kotak). Variabel view memiliki

gambar seperti di bawah ini :

Di dalam Variabel View di atas memiliki keterangan sebagai berikut:

• Name : berisi nama variabel. Misal dengan memberikan nama variabel data

pertama, maka klik kolom Name pada baris pertama, misalnya Jenis

Kelamin.

• Type : merupakan tipe data, berbagai macam type yang ada memiliki fungsi

yang berbeda yaitu :

a. numeric untuk data angka dengan lebar 8 digit dan 2 angka desimal di

belakang koma

b. string untuk data teks, biasanya data berupa nama. Contoh : nama

perusahaan.

c. Date adalah data yang dimasukkan berupa tanggal dst.

• Width : diisikan sejumlah karakter (lebar kolom) yang akan diinput dalam

Data View. Untuk tipe data numerik, lebar maksimal 40 digit, sedangkan tipe

data string lebar maksimal 32767digit. Apabila menginginkan menambah lebar

ditambah, klik tanda panah ke atas, sebaliknya untuk mengurangi digit lebar,

klik panah ke bawah.

• Decimal : diisi jumlah desimal karakter maksimal yang akan diinput dalam

Data View. SPSS memberikan default 2 angka desimal di belakang koma. Jika

jumlah desimal ingin ditambah, klik tanda panah ke atas dan sebaliknya

untuk mengurangi digit lebar, klik panah ke bawah.

• Label : kolom yang menunjukkan tambahan informasi dengan memberikan

label variabel data.

• Value : untuk memberi kodefikasi, misalnya Motor=1, Mobil=2, 3=Jalan kaki.

• Missing : untuk merupakan kolom yang menunjukkan data yang hilang)

Namun, jika

data lengkap (tidak ada data yang hilang) maka kolom ini dapat diabaikan.

• Columns : Memiliki fungsi mengubah jumlah karakter yang dapat

dimasukkan pada suatu variabel tertentu. Bila kita mengisi coloumns dengan

angka 2, maka hanya dua digit data saja yang dapat dimasukkan pada variabel

tersebut.

• Align : untuk pengaturan tampilan perataan kata dalam Data View, seperti

left, centre, right.

• Measure : merupakan tipe variabel yang akan menentukan jenis analisis

yang akan digunakan. Maka secara default akan terpilih Nominal atau ordinal ,

jika variabel bertipe string. Scale digunakan apabila data yang ingin kita olah

akan dibuat skala pengukuran (range).

MEMINDAHKAN DATA

Tinggi

Umur Badan Berat badan

NO. (Tahun) (cm) (kg) IMT FVC NN Predicted(%)

1 21 175 53 17.31 2990 4322.5 69

2 21 174 54 17.84 3140 4274 73

3 20 178 57 17.99 3060 4414 69

4 19 160 45 17.58 3010 3480 86

5 22 165 49 18.00 2910 3820.5 76

6 22 178 55 17.36 3240 4451 73

7 21 169 50 17.51 2980 4031.5 74

8 21 165 49 18.00 3230 3837.5 84

9 20 170 52 17.99 3260 4026 81

10 22 178 54 17.04 3390 4451 76

11 20 173 49 16.37 3350 4171.5 80

12 21 168 50 17.72 2940 3983 74

13 22 165 48 17.63 3290 3820.5 86

14 22 177 55 17.56 3580 4402.5 81

15 22 164 44 16.36 2980 3772 79

16 20 174 54 17.84 2810 4220 67

17 20 184 60 17.72 3630 4705 77

18 21 166 46 16.69 3070 3886 79

• Pilih Type in data, Copy data di atas dan Paste di Data View seperti

gambar di bawah ini :

MENGGANTI NAMA VARIABLE

Untuk mengganti nama variabel pada data view, dengan cara :

• Membuka Variabel View

• Double klik variabel pada Tab Nama untuk mengganti sesuai dengan

variabel yang

dihendaki.
MENYIMPAN FILE

Untuk menyimpan data dalam SPSS, hal yang perlu kita lakukan :

• Pada file yang sedang di buka pada SPSS, klik menu File

•Pilih Submenu Save As

• Maka akan mucul kotak seperti d bawah ini, dan pada kotak File name berisi

nama file yang akan kita simpan misalnya IMT dan pada kotak Save as type

berisi SPSS Statistics (*sav)

• Pilih Save, maka data akan tersimpan dengan nama file [Link].
 BAB III

STATISTIK DESKRIPTIF

Statistik deskriptif berupa frekuensi dan nil21ai pusat ( central tendency).

Frekuensi biasanya dimunculkan dalam bentuk proporsi atau persentase untuk

data atau variabel kategorik. Sedangkan nilai pusat berupa nilai tengah dan

nilai sebaran (mean, median, SD, SE, dll) untuk data atau variabel numerik.

Statistik deskriptif ini juga akan dilengkapi dengan grafik histogram untuk data

numerik.

Cara yang paling sering digunakan untuk menampilkan data katagorikal

adalah : dengan menggunakan tabel distribusi frekuensi. Kita akan coba

membuat table distribusi frekuensi.

1. Bukalah file [Link], sehingga data tampak di jendela Data Editor

2. Prosedur untuk menampilkan distribusi frekuensi adalah sebagai berikut:

Dari menu utama, pilihlah:

Analyze

Descriptive Statistic <

Frequencies…

Pada layar tampak kotak dialog seperti gambar berikut:

3. Pada kotak dialog tersebut, klik pada variabel DIDIK yang terdapat pada

kotak sebelah kiri. Kemudian klik tanda >, sehingga kotak dialog menjadi

seperti gambar berikut:

Pada kolom Frequency menunjukkan jumlah kasus dengan nilai yang

sesuai. Jadi pada contoh di atas, ada 3 kader kesehatan yang berpendidikan

SD dari 65 ibu yang ada. Proporsi dapat dilihat pada kolom Percent, pada

contoh di atas, ada 4,6% kader kesehatan yang berpendidikan SD.

Kolom Valid Percent menampilkan proporsi jika missing cases tidak

diikutsertakan sebagai penyebut. Pada contoh di atas, kolom Percent dan

Valid Percent memberikan hasil yang sama karena pada data ini tidak ada
missing cases. Cumulative Percent menjelaskan tentang persen kumulatif,

jadi pada contoh di atas, ada 23,1% ibu yang berpendidikan SD dan SMP (4.6%

+ 18.5%).

ANALYSIS DESKRIPTIF DATA NUMERIK

Pada data numerik atau kontinyu, peringkasan data dapat dilakukan

dengan melaporkan ukuran tengah dan sebarannya. Ukuran tengah yang dapat

digunakan adalah rata-rata, median dan modus. Sedangkan ukuran sebaran

yang dapat digunakan adalah nilai minimum, maksimum, range, standar deviasi

dan persentil. Dari ukuran-ukuran tersebut, yang paling sering digunakan

adalah rata-rata dan standar deviasi.

Sebagai contoh, kita akan coba mencari ukuran tengah dan sebaran dari LAMA
BEKERJA.

1. Bukalah file [Link] (jika file ini belum dibuka), sehingga data tampak di

jendela Data Editor.

2. Dari menu utama, pilihlah:

Analyze
Descriptive Statistic <
Descriptive …

3. Pada kotak dialog tersebut, klik pada variabel LAMA BEKERJA yang terdapat

pada kotak sebelah kiri. Kemudian klik tanda <, sehingga kotak dialog

menjadi seperti gambar berikut:

4. Klik OK untuk menjalankan prosedur. Pada layar tampak hasil seperti

Berikut:

Nilai rata-rata dapat dilihat pada kolom Mean, sedangkan nilai standar

deviasi dapat dilihat pada Std Devation. Pada contoh di atas, rata-rata lama

bekerja adalah 10,95 tahun dengan standar deviasi 8,28 tahun dan lama

bekerja minimun 1 tahun serta lama bekerja maksimum 38 tahun.

Dengan cara di atas, kita dapat memperoleh nilai rata-rata, minimum,

maksimum serta standar deviasi. Tetapi kita tidak memperoleh nilai standar

error, padahal nilai ini diperlukan untuk melakukan estimasi inteval pada

parameter populasi.
5. Jika Anda juga ingin agar SPSS menampilkan standar error, anda dapat

memilih menu Options.

Dari hasil tersebut kita dapat melakukan estimasi interval dari lama bekerja.

Kita dapat menghitung 95% confidence interval lama bekerja, yaitu 10.9538 ±

1,96 x 1,02 (mean + SE mean). Jadi kita 95% yakin bahwa rata pada selang

8.9 sampai 13,0 tahun.

6. Cara yang lain untuk mengeluarkan nilai statistik deskriptif dari data numerik

(nilai rata-rata/mean std. Dev) beserta 95% confidence interval adalah

sebagai berikut:

Dari menu utama, pilihlah:

Analyze
Descriptive Statistic <
Explore…

7. Pada kotak dialog tersebut, klik pada variabel LAMA BEKERJA yang terdapat

pada kotak sebelah kiri. Kemudian klik tanda <, sehingga ketiga variabel

tersebut masuk ke kotak Dependent List seperti gambar berikut:

8. Klik OK untuk menjalankan prosedur, sehingga hasilnya seperti gambar

berikut:
Dari hasil tersebut kita mendapatkan estimasi titik dan estimasi interval dari

variable numerik yang diukur. Kita dapat melihat nilai rata-rata dan 95%

confidence interval dari LAMA BEKERJA yaitu 10,95kg (8,9005 — 13,007),

artinya kita 95% yakin bahwa rata-rata LAMA BEKERJA KADER di populasi

berada pada selang 8,9 sampai 13 tahun.

 BAB IV

DATA SCREENING DAN TRANSFORMASI

Untuk melakukan uji statistik langkah awal yang harus dilakukan adalah

dengan screening terhadap data yang akan diolah. Salah satu asumsi

penggunaan statistika parametik adalah asumsi multivariate normality.

Multivariate normality merupakan asumsi bahwa setiap variabel dan semua

kombinasi linear dari variabel distribusi normal. Asumsi multivariate normality

ini dapat diuji dengan melihat normalitas suatu variabel.

Screening terhadap normalitas data merupakan langkah awal yang harus

dilakukan untuk setiap multivariate. Dengan demikian, data yang berdistribusi

normal akan menghasilkan model regresi yang baik. Ada beberapa cara yang

dapat digunakan dalam mendekteksi normalitas data, namun pada modul ini

akan menjelaskan mengenai uji statitik Kolmogorov-Smirnov.

Langkah analisis :

• Buka file [Link]

• Dari menu utama SPSS, pilih menu Analyze, lalu pilih Non-parametic test,

kemudian pilih submenu 1-sample K-S.

Maka akan muncul tampilan seperti di bawah ini :

• Pada layar One-Sample Kolmogorov-Smirnov Test, isi variabel pada

kotak Test
Variable List.

• Untuk Test Distribution klik pada bagian Normal.

• Kemudian OK.

• Maka akan menghasilkan output :

Untuk probabilitas berdasarkan tabel di atas bahwa untuk variabel memiliki nilai

di atas = 0.05 yang artinya bahwa variabel-variabel tersebut terdistribusi

dengan normal sedangkan untuk variabel yang berada di bawah batas = 0.05

yang demikian variabel tersebut tidak terdistribusi secara normal.

Kemudian apabila data tidak terdistribusi secara normal maka data perlu

ditransformasi agar menjadi normal. Untuk menormalkan data sebelumnya

harus mengetahui terlebih dahulu bagaimana bentuk grafik histrogram dari

data yang ada di mana bentuk dari grafik itu sendiri ada bermacam-macam

seperti moderate, positive skewness, severe positive skewness.

Berikut ini cara untuk melihat grafik histogram yaitu :

 Buka file [Link] melalui perintah File Open Data.

 Dari menu utama SPSS pilih menu Graph, lalu Legacy Dialogs

kemudian pilih Histogram.

Kemudian akan muncul layar Histogram.

 Setelah itu pada kotak variabel diisikan dengan variabel

 Seperti tampilan di bawah ini :

 Kemudian beri checklist pada kotak display normal curve

 Klik OK. Maka akan menghasilkan output seperti di bawah ini :

Dengan melihat grafik Histogram seprti gambar di atas maka kita dapat

melakukan trasformasi data. Untuk mengetahui jenis transformasi yang akan

dilakukan, maka kita harus mengetahui termaksud jenis grafik histogram yang

mana variabel-variabel tersebut. Berikut ini bentuk transformasi yang dapat

dilakukan sesuai dengan grafik Histogram :

1. Moderate Positive Skewness : SQRT(x) atau bentuk kuadrat.

2. Subtansial Positive Skewness : LG10(x) atau logaritma 10 atau LN

3. Severe Positive Skewness dengan bentuk L : 1/x atau inverse

4. Subtansial Negative Skewness : LG10(k-x)

5. Severe Negative Skewness dengan bentuk J : 1/(k-x)

Melihat bentuk Grafik yang terjadi pada Net_Sls dan Current rasio merupakan

bentuk grafik Moderate Positive Skewness sehingga untuk melakukan

transformasi data dengan cara :

• Buka file [Link]

• Pada menu utama SPSS, menu Transform _ submenu Compute

• Maka akan muncul layar Compute Variable, untuk kotak Function group pilih

All dan untuk kotak Functions dan Special variables pilih Sqrt kemudian klik

tombol maka pada kotak numeric Expression muncul Sqrt(x) untuk (x) akan

diganti dengan meng-klik variabel IMT lalu tombol sehingga menjadi

SQRT(IMT). Kemudian pada Target variable diberi nama lain missal IMT1.

Perhatikan gambar di bawah ini :

 Pilih OK

Setelah melakukan transformasi data maka data tersebut diharapkan dapat

terdistribusi

secara normal. Untuk memastikannya perlu adanya pengecekan data agar data

tersebut dapat dinyatakan normal yaitu dengan menggunakan menu utama

SPSS, analyze _ Analyze _ Non- parametic test 1-sample K-S. masukkan

semua variabel yang sudah kita transformasikan kemudian klik OK. Maka kita

dapat melihat bahwa data yang kita punya sudah normal dimana probabilitas

data itu lebih dari  = 0.05. untuk lebih jelasnya kita dapat melihat hasil output

di bawah ini :
Dari hasil dapat disimpulkan bahwa untuk variabel IMT1, dan current rasio

0.486merupakan data yang berditribusi secara normal dengan nilai signifikan

lebih dari 0.05.

 BAB V

UJI BEDA 2-RATA-RATA (T-TEST)

Pengertian

Di bidang kesehatan sering kali kita harus membuat kesimpulan apakah

suatu intervensi berhasil atau tidak. Untuk mengukur keberhasilan tersebut kita

harus melakukan uji untuk melihat apakah parameter (rata-rata) dua populasi

tersebut berbeda atau tidak. Misalnya, apakah ada perbedaan rata-rata tekanan

darah populasi intervensi (kota) dengan populasi kontrol (desa). Atau, apakah

ada perbedaan rata-rata berat badan antara sebelum dengan sesudah

mengikuti program diet.

Sebelum kita melakukan uji statistik dua kelompok data, kita perlu

perhatikan apakah dua kelompok data tersebut berasal dari dua kelompok yang

independen atau berasal dari dua kelompok yang dependen/berpasangan.

Dikatakan kedua kelompok data independen bila populasi kelompok yang satu

tidak tergantung dari populasi kelompok kedua, misalnya membandingkan rata-

rata tekanan darah sistolik orang desa dengan orang kota. Tekanan darah

orang kota adalah independen (tidak tergantung) dengan orang desa. Dilain

pihak, dua kelompok data dikatakan dependen/pasangan bila datanya saling

mempunyai ketergantungan, misalnya data berat badan sebelum dan sesudah

mengikuti program diet berasal dari orang yang sama (data sesudah

dependen/tergantung dengan data sebelum).

Konsep Uji Beda Dua Rata-rata

Uji beda rata-rata dikenal juga dengan nama uji-t ( t-test). Konsep dari

uji beda rata-rata adalah membandingkan nilai rata-rata beserta selang

kepercayaan tertentu (confidence interval) dari dua populasi. Prinsip pengujian

dua rata-rata adalah melihat perbedaan variasikedua kelompok data. Oleh

karena itu dalam pengujian ini diperlukan informasi apakah varian kedua

kelompok yang diuji sama atau tidak. Varian kedua kelompok data akan

berpengaruh pada nilai standar error yang akhirnya akan membedakan rumus

pengujiannya.

Dalam menggunakan uji-t ada beberapa syarat yang harus dipenuhi.

Syarat/asumsi utama yang harus dipenuhi dalam menggunakan uji-t adalah

data harus berdistribusi normal. Jika data tidak berdistribusi normal, maka

harus dilakukan transformasi data terlebih dahulu untuk menormalkan

distribusinya. Jika transformasi yang dilakukan tidak mampu menormalkan

distribusi data tersebut, maka uji-t tidak valid untuk dipakai, sehingga

disarankan untuk melakukan uji non-parametrik seperti Wilcoxon (data

berpasangan) atau Mann-Whitney U (data independen). Berdasarkan

karakteristik datanya maka uji beda dua rata-rata dibagi dalam dua kelompok,

yaitu: uji beda rata-rata independen dan uji beda rata-rata berpasangan.
Aplikasi Uji-t Dependen pada Data Berpasangan

1. Bukalah file [Link], sehingga data tampak di Data editor window.

2. Dari menu utama, pilihlah

Analize <
Compare Mean <
Paired-Sample T-test….

3. Pilih variabel SEBELUM dan SESUDAH dengan cara mengklik masing-masing

variable tersebut.

4. Kemudian klik tanda < untuk memasukkannya ke dalam kotak Paired-

Variables.

5. Pada menu “Options” pilihlah derajat kepercayaan yang diinginkan,

misalnya 95%. Kemudian pilih Continue.

6. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil seperti

berikut:
Dari 10 subjek yang diamati terlihat bahwa rata-rata (mean) kolesterol sebelum

intervensi adalah 115.6, dan rata-rata kolesterol sesudah intervensi adalah

120,4. Jika kita ingin mengeneralisasikan pada populasi, apakah di populasi

ada perbedaan yang signifikan antara sebelum dan sesudah intervensi. Uji ‘t’

yang dilakukan terlihat pada tabel berikut:

Dari hasil uji-t berpasangan tersebut terlihat bahwa rata-rata perbedaan antara

SEBELUM dengan SESUDAH adalah sebesar -4.8. Tanda minus (-) berarti

kolesterol sesudah lebih besar daripada berat sebelum intervensi. Artinya ada

peningkatan kolesterol sesudah intervensi dengan rata-rata peningkatan

tersebut adalah 4,8 mg/L. Hasil perhitungan nilai “t” adalah sebesar -3.325

dengan p-value 0.009 (uji 2-arah).

Hal ini berarti kita menolak Ho dan menyimpulkan bahwa pada populasi (dari

mana sampel tersebut diambil) secara statistik ada perbedaan yang

bermakna antara rata-rata kolesterol sebelum dengan sudah

intervensi.

Aplikasi Uji-t pada Data Independen

Uji-t untuk data independen dilakukan terhadap dua kelompok data yang tidak

saling berkaitan antara satu dengan lainnya. Misalnya membandingkan

kelompok intervensi dengan kelompok kontrol.

1. Dari menu utama, pilihlah:
Analize <
Compare Mean <
Independent-Samples T-test….

2. Pilih variable dengan cara mengklik variable tersebut.

3. Kemudian klik tanda < untuk memasukkannya ke dalam kotak Test

variable(s).

4. Pilih variabel METODE dan masukkan ke dalam kotak Grouping variable.

5. Kemudian klik menu Define group, dan isi angka 0 (nol) -kode untuk A -

pada Group-1 dan isi angka 1 (satu) -kode untuk B - pada Group-2.

Kemudian pilih Continue. (Kodenya bisa saja 1 dengan 2 tergantung data

yang dipakai)

6. Pada menu “Options” pilihlah derajat kepercayaan yang diinginkan,

misalnya 95%. Kemudian pilih Continue.

7. Klik OK untuk menjalankan prosedur. Pada layar Output tampak hasil

seperti berikut:
 Uji-t independen menyajikan dua buah uji statistik. Pertama adalah uji

Levene’s untuk melihat apakah ada perbedaan varians antara kedua kelompok

atau tidak. Kedua adalah uji-t untuk melihat apakah ada perbedaan rata-rata

kedua kelompok atau tidak.

Jika p-value (Sig.) dari uji Levene’s besar dari nilai  (0.05), hal ini

berarti varians kedua kelompok adalah sama, maka signifikansi uji-t yang

dibaca adalah pada baris pertama ( Equal variances assumed). Tetapi jika p-

value dari uji Levene’s kecil atau sama dengan nilai  (0.05), hal ini berarti

bahwa varians kedua kelompok adalah tidak sama, maka signifikansi uji-t yang

dibaca adalah pada baris kedua (Equal variances not assumed).

Pada contoh diatas signifikansi uji Levene’s adalah 0.491, berarti varians

kedua kelompok adalah sama, maka hasil uji-t pada baris pertama

memperlihatkan p-value (sig.) adalah 0.008 untuk uji 2-sisi. Dapat kita

simpulkan bahwa secara statistik rata-rata waktu operasi metode A

lebih cepat dengan metode B.

 BAB VI

UJI BEDA > 2-RATA-RATA (ANOVA)

Pengertian

Jika untuk menguji perbedaan rata-rata antara 2 kelompok independen

digunakan Uji-t, maka untuk melakukan uji terhadap perbedaan rata-rata

antara 3 kelompok independen atau lebih, kita tidak boleh menggunakan uji t

berulang-ulang. Misalnya kita ingin mengetahui apakah ada perbedaan rata-

rata hasil antara 3 kelompok intervensi, apakah ada perbedaan rata-rata berat

badan bayi lahir menurut tingkat pendidikan ibu (rendah, menengah, & tinggi).

Dalam menganalisis data seperti ini (lebih dari dua kelompok) sangat tidak

dianjurkan menggunakan uji-t. Ada dua kelemahan jika menggunakan uji-t

yaitu pertama: kita harus melakukan pengujian berulang kali sesuai kombinasi

yang mungkin, kedua: bila melakukan uji-t berulang-ulang akan meningkatkan

(inflasi) nilai a, inflasi nilai a sebesar = 1 - (1-a), artinya akan meningkatkan

peluang mendapatkan hasil yang keliru.

Untuk mengatasi masalah tersebut maka uji statistik yang dianjurkan (uji

yang tepat) dalam menganalisis beda lebih dari dua mean kelompok

independen adalah Uji ANOVA atau uji-F. Analisis varian (ANOVA) mempunyai

dua jenis yaitu analisis varian satu faktor (one way anova) dan analsis varian

dua faktor (two ways anova). Pada bab ini hanya akan dibahas analisis varian

satu faktor.
 Beberapa asumsi yang harus dipenuhi pada uji Anova adalah:

1. Sampel berasal dari kelompok yang independen

2. Varian antar kelompok harus homogen

3. Data masing-masing kelompok berdistribusi normal

Asumsi pertama harus dipenuhi pada saat pengambilan sampel yang

dilakukan secara random terhadap beberapa (> 2) kelompok yang independen,

yang mana nilai pada satu kelompok tidak tergantung pada nilai di kelompok

lain. Sedangkan pemenuhan terhadap asumsi kedua dan ketiga dapat dicek jika

data telah dimasukkan ke komputer, jika asumsi ini tidak terpenuhi dapat

dilakukan transformasi terhadap data. Apabila proses transformasi tidak juga

dapat memenuhi asumsi ini maka uji Anova tidak valik untuk dilakukan,

sehingga harus menggunakan uji non-parametrik misalnya Kruskal Wallis.

Langkah-langkah sebagai berikut.

1. Dari menu utama, pilihlah

Analyze <
Compare Means <
One-way ANOVA ...
2. Klik variable WAKTU dan klik tanda < untuk memasukkannnya ke kotak

DependentList

3. Klik variable OBAT dan klik tanda < untuk memasukkannnya kotak Factor.

4. Pada menu Options.. klik Deskriptive dan Homegeneity of varians.

5. Klik Continue dan Anda akan kembali ke kotak dialog awal dengan isian

lengkap

6. Klik OK untuk menjalankan prosedur. Hasilnya tampak di output seperti

berikut:
Pada hasil di atas terlihat bahwa rata-rata waktu sembuh pada obat A adalah

5,25 jam, obat B adalah 3,75 jam, dan obat C adalah 7,5 jam. Standar deviasi,

nilai minimum-maximun, daninterval 95% tingkat kepercayaan juga

diperlihatkan.

Salah satu asumsi dari uji Anova adalah varians masing-masing kelompok harus

sama. Untuk itu dilakukan uji homogenitas varians yang hasilnya

memperlihatkan bahwa p-value (sig.) lebih besar dari nilai =0.05, berarti

varians antar kelompok adalah sama. Jika varians tidak sama, uji Anova tidak

valid untuk dipakai. Catatan: dalam hal ini kita tidak melakukan uji normalitas.
 Pada hasil di atas diperoleh nilai ANOVA F = 5.700 dengan p-

value=0.025 (dalam keadaan ini boleh juga ditulis p < 0.001). Hipotesis nol

pada uji ANOVA adalah tidak ada perbedaan rata-rata waktu sembuh antara

kelompok obat A, B, C. Dengan menggunakan =0.05, dari hasil di atas kita

menolak hipotesis nol. Sehingga kita menyimpulkan ada perbedaan waktu

sembuh dari ke tiga kelompok obat tersebut (setidaknya salah satu nilai mean

berbeda dengan lainnya). Namun, kita belum tahu kelompok mana yang

berbeda antara satu dengan yang lainnya.

Dengan uji ANOVA saja kita belum tahu kelompok mana yang berbeda,

untuk menjawab pertanyaan ini kita harus melakukan uji banding ganda.

Untuk melakukan uji banding ganda, kita harus klik menu Post Hoc… pada

kotak dialog ANOVA.

 BAB VII

KOLERASI

Uji kolerasi digunakan untuk menguji tentang ada tidaknya hubungan

antar variabel satu dengan variabel yang lainnya. Uji kolerasi belum dapat

diketahui variabel penyebab dan variable akibat. Dalam analisis kolerasi yang

diperhatiakan adalah arah (positif atau negative) dan besatnya

hubungna (kekuatan). Koefisien kolerasi mempunyai harga -1 atau +1

(bergerak dari nol hingga 1 maka semakin besar atau kuat hubungan variabel

atau sempurna = 1). Sebaliknya semakin mendekati 0 maka semakin lemah

atau kecil hubungannya.

BIVARIATE COLLELATION

Sering juga disebut dengan Product Moment Person berguna untuk

menguji kolerasi antar dua variabel di dalam melakukan uji kolerasi perlu

memperhatikan Test of Significant yaitu meliputi Two-Tailed (uji dua sisi)

digunakan dalam kondisi belum diketahui bentuk hubungan antar variable dan

One-tailed (uji satu sisi) digunakan untuk menguji test of significant dari 2

variabel, tetapi telah diketahui adanya arah kecenderungan hubungan negative

atau positif di antara 2 variabel yang berhubungan.

 Cara menganalisanya adalah Buka file [Link]

 Pilih menu Analyze, pilih Correlate dan klik Bivariate

 Maka akan muncul layar Bivariate Correlations. Masukkan variabel IMT dan

FVC

dalam

kotak

Variables.
  Pilih Correlation Coefficient Pearson dan Test Of Significance

dengan two tailed karena belum ditentukan arah hubungan dari

variabel IMT dan FVC.

 Klik menu Option, lalu Continue akhiri dengan OK. Maka akan

menghasilkan Output seperti di bawah ini :

Terdapat hubungan antara IMT dengan FCV sebesar 0.583. sifat kolerasi

negatif menunjukkan semakin tinggi IMT akan semakin rendah nilai FVC. Nilai

signifikasi sebesar 0.000 berarti hubungan tersebut signifikan atau diterima

pada probabilitas 5%.

PARTIAL CORRELATION

kolerasi parsial digunakan untuk menguji kolerasi dengan memperhitungkan

efek dari variable lain atau dengan kata lain kolerasi partial mengukur kolerasi

antar dua variabel dengan mengeluarkan pengaruh dari satu atau lebih variabel

lain yang sering disebut dengan variable control. Cara pengolahan data yaitu

 Buka file [Link]

 Klik Analyze  Correlate  Partial.

Masukkan variabel IMT dan FCV ke dalam kotak Variables. Masukkan

variable DATA ke Controlling for

 Kemudian klik Options dan pilih zero-order correlations dan

exclude cases listwise, tekan continue lalu OK

 Maka akan menghasilkan tabel seperti di bawah ini :

Dari hasil koefisien antara IMT dan FCV sebelum menghilangkan pengaruh

variabel DATA adalah -0.461 dan signifikan pada alpha 0.05. dan setelah

menghilangkan pengaruh variable DATA adalah 0.000 dan signifikan pada alpha

0.05.
 BAB VIII

REGRESI

Regresi digunakan untuk mengukur kekuatan hubungan antara dua

variabel atau lebih, juga menunjukkan arah hubungan antara variabel. Variabel

adalah simbol yang melekat pada bilangan atau angka. Dalam proses aplikasi

SPSS, maka data-data selalu dikelompokkan ke dalam kelompok variabel-

variabel yang sangat menentukan dalam proses penarikan kesimpulan hasil uji

statistik.

Ada 2 jenis variabel di dalam SPSS yaitu :

1. Variabel bebas (independen variabel) yaitu suatu variabel yang menerangkan

(mempengaruhi) terhadap variabel lainnya. Variabel ini dalam notasinya

seringkali diberi notasi X (X1,X2,X3,dst)

2. Variabel terikat (dependent variabel) yakni suatu variabel yang dipengaruhi

(diterangkan) oleh variabel lain. Variabel ini dalam notasinya sering ditulis

dengan Y.

Kemudian Regresi Linear ada 2 macam yaitu

 Regresi Linear Sederhana

Regresi sederhana, bertujuan untuk mempelajari hubungan antara dua

variabel. Regresi Linear digunakan apabila variabel dependent

dipengaruhi hanya satu variabel independen.

Bentuk Umum Regresi Linear Sederhana :

 Y = a + bX

Keterangan :

Y : peubah tak bebas

X : peubah bebas

a : konstanta

b : kemiringan

 Regresi Linear Berganda

Analisis regresi ganda merupakan pengembangan dari analisis regresi

sederhana. Kegunaannya yaitu untuk meramalkan nilai variabel terikat

(Y) apabila variabel bebasnya (X) dua atau lebih.

Analisis regresi ganda adalah alat untuk meramalkan nilai pengaruh dua

variabel bebas atau lebih terhadap satu variabel terikat (untuk

membuktikan ada tidaknya hubungan fungsional atau hubungan kausal

antara dua atau lebih variabel bebas X 1, X2, …., X terhadap suatu

variabel terikat Y.

Bentuk Umum Regresi Linier Berganda :

Y = a + b1X1+ b2

Keterangan :

Y : peubah takbebas

a : konstanta

X1 X : peubah bebas ke-1

b : kemiringan ke-1

X1 : peubah bebas ke-2

 b2 : kemiringan ke-2

X2 : peubah bebas ke-n

bn n2 + ...+ bn Xn : kemiringan ke-n

Sebagai contoh dalam regresi linear dengan menguji pengaruh IMT, UMUR,

terhadap hutang perusahaaan (Y). Proses pengelohan data :

• Buka file [Link].

• Klik Analyze  pilih Regression  klik Linear.

• Maka

akan

muncul kotak Linear Regression seperti gambar di bawah ini :

• Abaikan semua pilihan dan pilih OK.

KOEFISIEN DETERMINASI

Koefisien determasi (R2) pada intinya mengukur seberapa jauh kemampuan

model dalam variasi variabel dependen. Bila nilai R 2 kecil berarti kemampuan

variabel-variabel independen dalam menjelaskan variasi variabel sangat

terbatas. Kelemahan mendasar penggunaan koefisien determasi adalah bias

terhadap jumlah variabel independen yang dimasukkan ke dalam model. Setiap

tambahan satu variabel independen, maka nilai R 2 akan meningkat tidak peduli

apakah variabel tersebut berpengaruh secarasignifikan terhadap variabel

dependen.
Dari tampilan output SPSS di atas besar dari Adjusted R 2 adalah 0.225 atau

hanya sebesar 22,5% FCV dapat dijelaskan oleh keempat variabel independen

IMT, UMUR dan sisanya dijelaskan oleh variabel lainnya. SEE (Standart Error of

estimate) sebesar 6.13821. semakin kecil nilai SEE akan membuat model

regresi semakin tepat dalam memprediksi variabel dependen.

UJI STATISTIK F

Pada dasarnya menunjukkan apakah semua variabel independen atau bebas

yang dimasukkan dalam model mempunyai pengaruh secara bersama-sama

terhadap variabel dependen atau terikat.

Dari uji ANOVA atau F test didapatkan nilai F hitung sebesar 7.392 dengan

probabilitas 0.002. karena probabilitas jauh lebih kecil dari  = 0.05 maka

model regresi dapat digunakan untuk memprediksi nilai DER atau yang artinya

variabel IMT, UMUR secara bersama-sama mampu menerangkan variabel FVC.

UJI STATISTIK T

Uji ini untuk menunjukkan seberapa jauh pengaruh satu variabel penjelas atau

independen secara individual dalam menerangkan variasi variabel dependen.

Untuk menginterprestasikan koefisien variabel bebas (independen) dapat

menggunakan unstandardized coefficients maupun standardized coefficients

yaitu dengan melihat nilai signifikasi masing-masing variabel independen dari

tabel di bawah ini bahwa nilai UMUR 0.376 memiliki nilai jauh di atas 0.05

sedangkan IMT 0.001 memiliki nilai yang signifikan pada 0.05

 BAB IX

UJI ASUMSI KLASIK

UJI MULTIKOLONIERITAS

Uji Multikolonieritas bertujuan untuk menguji apakah model regresi

ditemukan adanya kolerasi antar variabel bebas. Model regresi yang baik

sebagiknya tidak terjadi kolerasi di antara variabel terikat. Untuk mendektesi

adanya atau tidaknya multikolonieritas dalam model regresi dapat dengan

cara :

 Nilai R yang dihasilkan oleh oleh suatu estimasi model empiris sangat
2

tinggi, tetapi biasanya variabel-variabel independen banyak yang tidak

signifikan terhadap variable dependentnya.

 Dengan melihat batas tolerance yang memiliki nilai kurang dari 0.10

yang berarti tidak ada kolerasi antar variabel independen. Kemudian dari

nilai VIF (Variance Inflation Factor) juga menunjukkan hal yang sama

yaitu tidak adanya penyakit multikolonieritas dengan nilai dari VIF lebih

dari 10.

 Selain itu dari Ouput SPSS juga bisa dilihat nilai CI ( Condition Index).

Jika nilai CI > 30 maka dalam model terdapat penyimpangan Asumsi

Klasik Multicolinierity.

Langkah untuk menganalisis penyakit multikolonieritas yaitu :

1. Buka file [Link]

2. Pilih menu Analyze, submenu Regresi lalu pilih Linear Regression.

3. Maka akan muncul layar windows Linear Regression.

4. Untuk menampilkan matrik kolerasi dan nilai Tolernace serta VIF pilih

Statistics maka akan muncul layar tampilan windows Linear Regression

Statistics. Akifkan pilihan Covariance matrix dan Collinierity

Diagnostics.

5. Tekan Continue, abaikan yang lain dan tekan OK

6. Maka akan muncul tampilan SPSS :

 Melihat besaran kolerasi antar variabel independen tampak bahwa

variabel IMT 1.000 memiliki kolerasi yang cukup tinggi, variabel UMUR -0.061,

atau sekitar 61%. Oleh karena itu kolerasi ini masih di bawah 95%, maka dapat

dikatakan tidak terjadi multikolonieritas serius.

Kemudian dari hasil, nilai Tolerance untuk IMT 0.996, UMUR 0.996,

menunjukkan nilai kurang dari 0.10 yang berarti tidak ada kolerasi antar

variabel independen yang nilainya lebih dari 95%. Hasil perhitungan nilai

Variance Inflation Factor (VIF) juga menunjukkan hal yang sama, bahwa

variabel IMT 1.004, UMUR 1.004, tidak ada satu variable independent yang

memiliki nilai VIF lebih dari 10. Jadi tidak ada multikolonieritas antar variabel

independen dalam model regresi.

DIAGNOSTIC COLLINEARITY
Nilai CI yang dihasilkan untuk masing-masing variabel independen adalah

kurang dari 30 maka dapat disimpulkan bahwa variabel independen tidak

terjangkit penyakit multikolonieritas.

UJI AUTOKOLERASI

Uji autokolerasi bertujuan menguji apakah dalam model regresi linear

ada kolerasi antara kesalahan penggangguan pada perioade t dengan

kesalahan pengganggu pada periode t-1 (sebelumnya). Jika adanya kolerasi

maka adanya penyakit autokolerasi. Masalah ini disebabkan karena residual

(kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya.

Apabila pada salah satu terdapat gangguan maka cenderung mempengaruhi

gangguan untuk periode berikutnya. Ada beberapa cara yang dapat digunakan

untuk mendekteksi ada atau tidaknya autokolerasi, pada modul ini akan

menjelaskan dengan Uji Durbin Watson (DW test).

Digunakan untuk autokolerasi tingkat satu dan mensyaratkan adanya

intercept (konstanta) dalam model regresi. Hipotesis yang akan diuji adalah :

H0 : tidak adanya autokolerasi.

H1 : adanya autokolerasi.

Pengambilan keputusan autokolerasi :

Hipotesis nol Keputusan Jika

Tidak ada autokolerasi positif Tolak 0 < d < dl
Tidak ada autokolerasi positif No desicion dl = d = du
Tidak ada autokolerasi negatif Tolak -dl < d <4
Tidak ada autokolerasi negatif No desicion 4-du = d = 4-dl
Tidak ada autokolerasi,positif atau Diterima du < d < 4-dl
negatif
Langkah yang digunakan untuk mengetahui ada tidaknya autokolerasi :

1. Buka file [Link]

2. Menu Analyze  Regression  Linear

3. Pilih Statistics maka akan muncul layar tampilan windows Linear Regression

Statistics. Kemudian cheklist bagian Residuals Durbin-Watson.

4. Pilih Continue kemudian OK.

5. akan muncul output :

Nilai DW sebesar 1.193, nilai ini akan kita bandingkan dengan nilai table

dengan menggunakan signifikasi 5%, jumlah sampel 54 (n) dan jumlah variabel

independen 2 (k=2) maka di table Durbin Waston akan didapatkan nilai du

sebesar1.386 dan nilai dl = 1.630. Oleh karena nilai DW lebih besar dari (du)

1.386 dan kurang dari 4-dl(4-1.630=3.370), maka dapat disimpulkan bahwa H0

diterima yaitu tidak adanya atau tidak terdapat autokolerasi. (untuk angka du

dan dl dapat dilihat di tabel).

UJI HETEROSKEDASTISITAS

Uji ini bertujuan untuk menguji apakah dalam model regresi terjadi

ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang

lain. Jika variance dari residual satu pengamatan ke pengamatan lain tetap,

maka disebut Homoskedastisitas dan jika berbeda disebut Heteroskedastisitas.

Model regresi yang baik adalaha Homoskedastisitas atau tidak

Heteroskedetisitas. Dalam modul ini, akan menerangkan menguji ada tidaknya

Heteroskedastisitas dengan Uji Park.

Cara melakukan Uji Park dengan SPSS :

1. Buka file [Link]

2. Meregresikan semua variable bebas

3. Untuk mendapatkan variabel residual dengan cara pilih Save pada Layar

Linear Regression sehingga muncul kotak Linear Regression Save, checklist

unstandardized residual.
4. Pilih Continue lalu OK. Maka pada Variable Data akan muncul 1 Variabel

baru dengan nama Res_1 yang merupakan nilai residual.

5. Kuadratkan nilai residual (Res_1*Res_1) tersebut dengan cara menu

Transform  Compute Variable kemudian beri nama Res_2 dan klik OK.
6. Kemudian Logaritmakan Res_2 dengan menu Transform dan Compute.
7. Regresikan LNRes_2 sebagai variabel dependen dan variabel IMT, UMUR

Maka akan menghasilkan output sebagai berikut :

HasiL output SPSS memberikan koefisien variabel independen tidak ada yang

signifikan, maka dapat disimpulkan bahwa model regresi tidak terdapat

Heteroskedasititas.