BAB VII HIPOTESIS KORELATIF Pada tabel uji hipotesis, terdapat enam uji hipotesis korelatif yang akan

anda pelajari. Anda dapat memilih uji hipotesis korelatif yang tepat dengan berpedoman pada tabel sebagai berikut. Tabel 7.2 Pemilihan hipotesis korelatif Variabel 1 Nominal Nominal Ordinal Ordinal Numerik Variabel 2 Nominal Ordinal Ordinal Numerik Numerik Uji Korelasi Koefisien kontingensi, Lambda Koefisien kontingensi, Lambda Spearman, Gamma, Somers’d Spearman Pearson

Dalam benak Anda, mungkin timbul beberapa pertanyaan sebagai berikut. 1. Apa persamaan dan perbedaan uji korelasi koefisien kontingensi dengan Lambda? Persamaan:variabelnyaadalah varoiabel nominal, Kedua uji tersebut digunakan untuk menguji korelasi dua variabel di mana salah satu variabelnya adalah variabel nominal. Perbedaan: Uji korelasi koefisien kontingensi digunakan untuk menguji korelasi antara dua variabel yang setara sedangkan uji korelasi Lambda untuk dua variabel yang tidak setara.(laki-laki dan perempuan) 2. Apa persamaan dan perbedaan uji korelasi Spearman dengan uji Korelasi Gamma dan Somers’d Persamaan: Keduanya digunakan untuk uji korelasi antara variabel ordinal dengan ordinal. Perbedaan:
 Uji Spearman digunakan juga untuk uji korelasi antara variabel numerik dengan ordinal.

 Uji Spearman digunakan juga sebagai alternatif uji Pearson, jika syarat uji Pearson tidak terpenuhi.
 Uji korelasi Gamma dan Somers’d digunakan untuk uji korelasi variabel ordinal dengan

ordinal di mana kategori variabel ordinal tersebut “sedikit” sehingga dapat dibuat suatu tabel silang B x K. Apa perbedaan uji korelasi Gamma dan Somers’d? Uji korelasi Gamma digunakan untuk menguji korelasi antara dua variabel yang setara sedangkan uji korelasi Somers’d untuk dua variabel yang tidak setara.
3. Bagaimana interpretasi hasil uji korelasi?

Interpretasi hasil uji korelasi didasarkan pada nilai p, kekuatan korelasi, serta arah korelasinya. Panduan lengkapnya dapat dilihat pada tabel berikut.

Tabel 7.3 Panduan Interpretasi hasil uji hipotesis berdsarkan Kekuatan korelasi, nilai p, dan arah korelasi No. 1. Kekuatan Korelasi (r) Parameter Nilai 0,00 – 0,199 0,20 – 0,399 0,40 – 0,599 0,60 – 0,799 0,80 – 1,000 P < 0,05 Interpretasi Sangat lemah Lemah Sedang Kuat Sangat kuat Terdapat yang yang diuji Tidak korelasi korelasi bermakna

2.

Nilai p

antara dua variabel P > 0,05 terdapat yang

bermakna antara dua variabel yang diuji

3.

Arah korelasi

+ (positif)

Searah, besar variabel besar pula

semakin nilai satu nilai semakin

- (negatif)

variabel lainnya Berlawanan arah. Semakin besar nilai satu variabel, semakin kecil nilai variable lainnya

LATIHAN 1 UJI KORELASI PEARSON (HIPOTESIS KORELATIF NUMERIK DISTRIBUSI NORMAL) Kasus : Anda ingin mengetahui korelasi antar skor depresi dengan skor ansietas. Dirumuskan pertanyaan sebagai berikut : “Adakah korelasi antara skor depresi dengan skor ansietas?” Uji apakah yang mungkin digunakan untuk menjawab pertanyaan tersebut? Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah sebagai berikut. Tabel 7.4 Langkah-langkah untuk menentukan uji hipotesis yang sesuai Dengan panduan tabel uji hipotesis dan diagram alur Langkah Menentukan variabel yang dihubungkan Jawaban Variabel yang dihubungkan adalah skor depresi (numerik) dengan skor ansietas 2. 3. Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : (numerik) Korelatif Numerik

1.

Uji yang digunakan adalah uji korelasi Pearson (uji parametrik), jika memenuhi syarat. Jika tidak memenuhi syarat, maka digunakan uji alternatif yaitu uji korelasi Spearman

Bagaimakah hasilnya? Output SPSS Bila Anda melakukan prosedur dengan benar. Apakah data mempunyai distribusi yang normal? . Sesuai dengan kesepakatan. 1. maka dipilih uji korelasi Pearson. Bila distribusi data hasil transformasi normal. Bila tidak memenuhi syarat (distribusi data tidak normal). Bagian pertama adalah statistik deskriptif untuk variabel skor ansietas dan skor depresi. maka Anda akan mendapatkan hasil sebagai berikut : Interpretasi a. 5. Bab III dan Bab IV. Uji normalitas  Bukalah file pearson  Lihat terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada. b. Bila memenuhi syarat (distribusi data normal). Memeriksa syarat uji parametrik : distribusi data harus normal (wajib). maka diupayakan untuk melakukan transformasi data supaya distribusi menjadi normal. 4. 3. maka dipilih uji korelasi Pearson. Prosedur yang dilakukan sama dengan prosedur yang telah Anda pelajari pada Bab II.  Lakukanlah uji normalitas untuk data variabel depresi dan variabel ansietas. 1. Jika distribusi data hasil transformasi tidak normal. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi variabel sebelum melangkah pada proses selanjutnya. Anda menggunakan hasil uji Kolmogorov-Smirnov untuk menguji apakah distribusi data normal atau tidak.(uji nonparametrik) Bagaimana melakukan uji korelasi dengan SPSS? Langkahnya adalah sebagai berikut. 2. maka dipilih uji alternatifnya (uji korelasi Spearman).

 Proses telah selesai. Nilai korelasi Pearson sebesar 0. .078.  Pilih Two tailed pada Test of Significance.000 yang menunjukkan bahwa korelasi antara skor depresi dan skor ansietas adalah bermakna. Hasil yang diperoleh adalah sebagai berikut.  Masukkan depresi dan ansietas ke dalam kotak variables. Interpretasi Dari hasil di atas. baik skor ansietas maupun skor depresi mempunyai nilai p = 0. Oleh karena nilai p > 0.  Pilih uji Pearson pada kotak Correlation Coefficients. 2.  Analyze  Correlate  Bivariate. diperoleh nilai sig 0. Klik OK.05. Melakukan uji Pearson Untuk melakukan uji Pearson. LATIHAN 2 UJI KORELASI SPEARMAN (HIPOTESIS KORELATIF NUMERIK DISTRIBUSI TIDAK NORMAL) Kasus : Anda ingin mengetahui korelasi antara skor gangguan somatik dengan skor gangguan sosial. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi normal. Dirumuskan pertanyaan sebagai berikut : “Adakah korelasi antara skor gangguan somatik dengan skor gangguan sosial?” Uji hipotesis apakah yang akan Anda gunakan? Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah sebagai berikut.862 menunjukkan korelasi positif dengan kekuatan korelasi yang sangat kuat.Pada uji Test of Normality Kolmogorov-Smirnov. lakukanlah langkah-langkah berikut.

Uji normalitas  Bukalah file spearman  Lihat terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada. 1. maka dipilih uji alternatifnya pilih uji korelasi Spearman. Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : gangguan sosial (numerik) Korelatif Numerik 1. jika memenuhi syarat. Jika tidak memenuhi syarat. maka dipilih uji korelasi Pearson. maka dipilih uji korelasi Pearson. Interpretasi . 3.Bagaimana melakukan uji korelasi dengan SPSS? Langkahnya adalah sebagai berikut. 3. Uji yang digunakan adalah uji korelasi Pearson (uji parametrik). maka Anda akan mendapatkan hasil sebagai berikut. Tabel 7. 4. Bila memenuhi syarat (distribusi data normal). Bila distribusi data hasil transformasi normal. Bila tidak memenuhi syarat (distribusi data tidak normal). maka digunakan uji alternatif yaitu uji korelasi Spearman (uji nonparametrik) 1.  Lakukanlah uji normalitas untuk data variabel somatic dan variabel social. maka diupayakan untuk melakukan transformasi data supaya distribusi menjadi normal.5 Langkah-langkah untuk menentukan uji hipotesis yang sesuai Dengan panduan tabel uji hipotesis dan diagram alur Langkah Menentukan variabel yang dihubungkan Jawaban Variabel yang dihubungkan adalah skor gangguan somatik (numerik) dengan skor 2. Bagaimakah hasilnya? Bila Anda melakukan prosedur dengan benar. Jika distribusi data hasil transformasi tidak normal. 2. Memeriksa syarat uji parametrik : distribusi data harus normal (wajib). 5.

Melakukan uji Spearman Untuk melakukan uji Spearman. b. Bagian pertama adalah statistik deskriptif untuk variabel somativ complaint dan skor social problem. 2. Menguji hasil transformasi 4.  Analyze  Correlate  Bivariate. Melakukan transformasi 3. diperoleh nilai Significancy 0. Pada uji Test of Normality Kolmogorov-Smirnov.  Pilih uji Spearman pada kotak Correlation Coefficients. baik skor somatic complaint maupun skor social problem mempunyai nilai p = 0.  Masukkan somatic dan social ke dalam kotak Variables.  Pilih Two tailed pada Test of Significance.a.351 menunjukkan bahwa arah korelasi positif dengan kekuatan korelasi yang lemah. Interpretasi Dari hasil di atas. Anda menggunakan hasil uji Kolmogorov-Smirnov untuk menguji apakah distribusi data normal atau tidak. Sebagaimana kesepakatan.000. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi variabel sebelum melangkah pada proses selanjutnya. Hasil yang diperoleh adalah sebagai berikut. Oleh karena nilai p < 0. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi tidak normal. LATIHAN 3 UJI KORELASI GAMMA DAN SOMERS’D (HIPOTESIS KORELATIF ORDINAL TABEL B X K) .000 yang menunjukkan bahwa korelasi antara gangguan somatik dengan gangguan sosial adalah bermakna.05. Klik OK.  Proses telah selesai. Nilai korelasi Spearman sebesar 0. lakukanlah langkah-langkah berikut.

. Bagaimana melakukan uji korelasi Gamma dan Somers’d dengan SPSS?  Buka file gamma. Pelajari terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada pada file tersebut. 3. Gamma dan Somers’d.6 Langkah-langkah untuk menentukan uji hipotesis yang sesuai dengan panduan tabel uji hipotesis dan diagram alur Langkah Menentukan variabel yang dihubungkan Jawaban Variabel yang dihubungkan adalah mutu pelayanan keperawatab (kategorik ordinal) dengan mutu pelayanan rumah 2. yaitu korelasi Spearman.  Masukkan variabel p4 ke dalam Columns. Lakukanlah langkah-langkah sebagai berikut. Dirumuskan pertanyaan sebagai berikut : “Adakah korelasi antara tingkat penilaian pasien terhadap mutu pelayanan keperawatan dengan mutu pelayanan rumah sakit?” Uji hipotesis apa yang akan Anda gunakan? Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah sebagai berikut.Kasus : Anda ingin mengetahui korelasi antara tingkat penilaian responden terhadap mutu pelayanan penawaran (buruk. sedang. Anda memilih untuk melakukan uji korelasi Gamma dan Somers’d karena korelasi yang akan diuji adalah korelasi antar variabel ordinal yang penyajiannya dalam bentuk silang 3 x 3. baik).  Masukkan variabel p3 ke dalam rows. Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : sakit (kategorik ordinal) Korelatif Kategorik ordinal 1. baik) dengan mutu pelayanan rumah sakit (buruk.  Analyze  Descriptive Statistics  Crosstabs. sedang. Terdapat tiga pilihan uji korelasi. Tabel 7.

 Proses telah selesai. Output pertama (crosstab) menyajikan tabel silang antara mutu pelayanan keperawatan dengan mutu layanan rumah sakit. Anda membaca bahwa besar korelasinya adalah 0. Output ketiga (symmetric measures) menyajikan hasil uji Gamma. Anda menggunakan uji Gamma bila kedudukan dua variabel setara (tidak ada variabel bebas dan tergantung). Output kedua (directional measures) menyajikan hasil uji Somers’d. Pada uji Gamma diperoleh nilai korelasi sebesar 0. Aktifkan kotak Statistics. LATIHAN 4 UJI KORELASI KOEFISIEN KONTINGENSI DAN LAMBDA (HIPOTESIS KORELATIF DAN KATEGORIK) Kasus: Anda ingin mengetahui korelasi antara perilaku merokok (merokok dan tidak merokok) dengan status fertilitas seorang pria (tidak subur dan subur). 2. Klik OK. Bagaimanakah hasilnya? Interpretasi 1. 3.052 yang menunjukkan bahwa korelasi sangat lemah.028 yang menunjukkan bahwa korelasinya sangat lemah. Hasil uji Somers’d Anda pakai jika salah satu variabel Anda anggap sebagai variabel bebas sedangkan variabel yang lain sebagai variabel tergantung. Anda merumuskan pertanyaan penelitian sebagai berikut : “Apakah terdapat korelasi antara perilaku merokok dengan status fertilitas seorang pria?” . Jika Anda menganggap bahwa mutu pelayanan rumah sakit sebagai variabel bebas.  Pilih Gamma dan Somers’d. maka nilai yang Anda pergunakan adalah hasil uji Somers’d bari ke dua.

yaitu uji korelasi koefisien kontingensi dan lambda.  Masukkan variabel status fertilitas ke dalam Colums (karena bertindak sebagai variabel terikat). Anda memilih uji lambda karena kedudukan dua variabel tidak setara. .  Analyze  Descriptive statistics  Crosstabs. klik OK.  Proses telah selesai.  Klik kotak Statistics.  Nominal untuk melanjutkan proses selanjutnya. Pelajari terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada pada file tersebut. Klik Continue.Uji hipotesis apa yang akan Anda pilih? Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah sebagai berikut. Prosedur uji korelasi Lambda  Buka file Lambda.7 Langkah-langkah untuk menentukan uji hipotesis yang sesuai Dengan panduan tabel uji hipotesis dan diagram alur Langkah Menentukan variabel yang dihubungkan Jawaban Variabel yang dihubungkan adalah statu s fertilitas pria (kategorik nominal) dengan 2. di mana perilaku merokok sebagai variabel bebas dan infertilitas sebagai variabel tergantung. Tabel 7.  Pilih Lambda pada kotak Nominal. Terdapat dua pilihan uji.  Masukkan perilaku merokok ke dalam Rows (karena bertindak sebagai variabel bebas). Lakukanlah prosedur sebagai berikut. 3. Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : perilaku merokok (kategorik nominal) Korelatif kategorik nominal 1.

Anda membaca bahwa besar korelasinya adalah 0.Output SPSS Interpretasi hasil a.222 yang menunjukkanbahwa korelasinya lemah. maka nilai yang Anda pergunakan adalah hasil uji Lambda baris kedua. Jika Anda menganggap bahwa status fertilitas sebagai variabel terikat. b. . c. Output kedua menyajikan hasil uji Lambda. Hasil uji Lambda Anda pakai jika salah satu variabel Anda anggap sebagai variabel bebas sedangkan variabel yang lain sebagai variabel terikat. Output pertama menggambarkan tabel silang antara perilaku merokok dengan status fertilitas.

BAB VIII PENGANTAR ANALISIS MULTIVARIAT Tujuan 1. 2. Pembaca mampu menjelaskan langkah-langkah analisis multivariat. A. Pembaca mampu menjelaskan dua analisis multivariat yang banyak digunakan dalam bidang kedokteran dan kesehatan. Pendahuluan .

Langkah-langkah analisis multivariat dengan menggunakan SPSS dapat dibaca pada Bab X. XI. mulai dari analisis deskriptif sampai dengan multivariat. yang analisis regresi logistik dan analisis regresi linier.25. analisis bivariat. Bagian ini akan menjelaskan beberapa hal pokok yang berkaitan dengan analisi multivariat. . Jenis analisis multivariat Terdapat dua analisis multivariat yang sering digunakan dalam penelitian kedokteran dan kesehatan. Langkah-langkah analisis multivariat Langkah-langkah analisis multivariat adalah sebagai berikut. Pemilihan kedua analisis tersebut ditentukan oleh skala pengukuran variabel terikatnya. Variabel yang dimasukkan dalam analisis multivariat adalah variabel yang pada analisis bivariat mempunyai nilai p < 0. Regresi logistik : bila variabel terikatnya berupa variabel kategorik Analisis Multivariat Regresi linier : bila variabel terikatnya berupa variabel numerik C. Ketiga tahap tersebut adalah deskriptif. Penelitian lainnya mungkin cukup menggunakan analisis deskriptif dan bivariat. dan XII. B. misalnya pada penelitian analisis observasional seperti kasus kontrol dan kohort. analisis bivariat berbicara tentang hubungan antara banyak variabel bebas dengan suatu variabel terikat. Suatu penelitian mungkin hanya menggunakan analisis deskriptif saja (penelitian deskriptif). maka regresi yang digunakan adalah analisis regresi linier. Bila variabel terikatnya berupa variabel kategorik. Bila variabel terikatnya berupa variabel numerik. Menyeleksi variabel yang akan dimasukkan dalam analisis multivariat. dan analisis multivariat. 1. misalnya pada uji klinis.Tahap analisis data pada umumnya dapat dibagi menjadi tiga tahap. maka regresi yang digunakan adalah analisis regeresi logistik. Penelitian lainnya mungkin memerlukan analisis lengkap. Deskriptif berbicara tentang gambaran suatu variabel.

Analisis berhenti sampai di sini. dan D saja. Analisi multivariat baik regresi logistik maupun regresi linear dibagi menjadi 3 metode. B. Hasil dari analisis ini adalah baik . kelima variabel inilah yang akan dimasukkan ke dalam analisis multivariat. yaitu enter. dan E. variabel yang berpengaruh terhadap variabel Z adalah variabel A. dan E. dan H. Metode enter dilakukan secara manual sedangkan metode forward dan backward secara otomatis. Dengan metode backward analisis multivariat. variabel yang mempunyai nilai p < 0. C. pada analisis berikutnya peneliti memasukan variabel A. secara otomatis akan memasukkan variabel A. dan backward. C. dan diakhiri variabel C.2. (Sedangkan variabel bebasnya adalah variabel A. B. Melakukan analisis multivariat. C. B. variabel D adalah variabel yang paling tidak bermakna Selanjutnya. Analisis berhenti sampai di sini. Ketiga metode ini akan memberikañ hasil yang sama namun prosesnya berbeda. lalu C. forward. tidak otomatis. dan C. Proses akan berhenti ketika tidak ada lagi variabel yang dapat dimasukkan ke dalam analisis. Pada analisis bivariat. Pada metode backward. variabel yang tidak berpengaruh akan dikeluarkan dari analisis. kemudian variabel B. Secara bertahap. D. pertama-tama. Proses akan berhenti sampai tidak ada lagi variabel yang dapat dikeluarkan dari analisis. Kemudian variabel E dikeluarkan dari analisis diikuti oleh variabel D. G.25 adalah variabel A. B. Variabel yang paling tidak berpengaruh terhadap variabel Z adalah variabel E. peneliti melakukan analisis lagi dengan memasukkan variabel A. F. Peneliti melihat hasil bahwa variabel E adalah variabel yang paling tidak bermakna Oleh karena itu. dan E. Dengan metode forward analisi multivariat secara otomatis akan memasukkan varjabel A. E. Contoh kasus: Variabel terikat suatu penelitian adalah variabel Z. Metode enter dapat dilakukan menyerupai metode forward dan backward. akan tetapi prosesnya dilakukan secara manual. software secara otomatis akan memasukkan variabel yang paling berpengaruh kemudian memasukan variabel berikutnya yang berpengaruh tetapi ukuran kekuataanya lebih rendah daripada variabel pertama. Dengan demikian. D. D. C. Hasil dari analisis. Setelah dilakukan analisis multivariat. Dengan metode entetr peneliti memasukan variabel A. B. B. backward dan enter adalah sebagaj berikut. B. Ilustrasi apabila analisis dilakukan secara forward. C. Pada metode forward. B. dan C dengan urutan kekuatan adalah A. software secara otomatis akan memasukkan semua variabel yang terseleksi untuk dimasukkan ke dalam multivariat.

a. B. B lalu C. Analisis berhenti sampai di sini. C 3. Sedangkan untuk regresi linier urutan kekuatan hubungannya diketahui dari besarnya nilai r (koefisien korelasj) c. E A. D. B. D A. backward. B. B. D A. Urutan kekuatan hubungan dari variabel-variabel yang berpengaruh terhadap variabel terikat. D. C. C A. Pada regresi logistik urutan korelasi diketahui dari besarnya nilai OR. B. b. Melakukan intenpretasi hasil. C. + aixi a = nilai koefisien tiap variabel x = nilai variabel bebas Sedangkan pada regresi linier. Beberapa hal yang dapat diperoeh dari analisis multivariat adalah sebagai berikut. Tabel 8. Variabel yang berpengaruh terhadap variabel terikat diketahui dari nilai p masing- masing variabel. E A. dan C berpengaruh kepada variabel Z dengan kekuatan pengaruh dan yang paling besar adalah A. dan enter Variabel yang dimasukkan ke dalam analisis Langkah 1 Langkah 2 Langkah 3 Otomatis Forward Backward A A. B.1. Pada regresi logistik.variabel A. B A. B. rumus umum yang diperoleh adalah : p = 1/(1+e-y) di mana p = probabilitas untuk terjadinya suatu kejadian (misalnya penyakit) c = bilangan natural = 2. B. rumus umum yang diperoleh adalah : y = konstanta + a1x1 + a2x2 + … + aixi di mana y = nilai dari variabel terikat a = nilai koefisien tiap variabel x = nilai variabel bebas . C. Perbandingan metode forward. C. C Manual Enter A.7 y = konstanta + a1x1 + a2x2 + …. Model atau rumus untuk memprediksikan variabel terikat.

. Kualitas dan rumus yang diperoleh pada regresi linier dinilai dengan melihat nilai diskriminasi dengan melihat nilai R2 dan kalibrasinya dengan melihat hasil uji ANOVA. Suatu rumus dikatakan mempunyai kalibrasi yang baik jika mempunyai nilai p > 0. 5. normalitas. Diskriminasi dinilai dengan melihat nilai Area Under Curve (AUC) dengan metode Receiver Operating Curve (ROC) sementara kalibrasi dengan metode Hosmer and Lameshow. kualitas rumus yang diperoleh dinilai dengan melihat kemampuan diskriminasi dan kalibrasi. Pada analisis regresi logistik. Suatu rumus dikatakan mempunyai kalibrasi yang baik apabila nilai p pada uji ANOVA < 0.05.4. Menilai syarat atau asumsi. Pada regresi linier terdapat asumsi linieritas. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai AUG semakin mendekati angka 1. Menilai kualitas dari rumus yang diperoleh dari analisis multivariat. independensi. dan multikolinieriti. homogenitas.05 pada uji Hosmer and Lameshow. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai R2 semakin mendekati angka 1.

Pada bagian ini. Desain penelitian yang digunakan adalah kasus kontrol. Contoh kasus : Seorang peneliti ingin mengetahui hubungan antara kadar hepatomegali dengan terjadinya syok pada pasien anak yang mengalami demam berdarah dengue. Ukuran bias dilihat dengan menggunakan odds (RO). risiko relatif (RR). maka . Uji hipotesis apa yang sesuai dengan masalah ini? Bagaimana mengukur kekuatan hubungannya dan berapakah besar kekuatan hubugannya? Jawab : Variabel hepatomegali dan terjadinya syok termasuk variabel kategorik. Ro digunakan pada desain kasus control sementar kohort digunakan pada desain kohort. Pembaca mampu menjelaskan berbagai jenis ukuran kekuatan hubungan. Pembaca mampu melakukan prosedur mencari kekuatan hubungan dengan menggunakan SPSS dan melakukan interpretasi yang benar. Data penelitian sudah dikumpulkan dan disimpan dengan nama data_oddrasio. Sebelum membahas analisis multivariat. akan ditunjukkan bagaimana cara memperoleh nilai RO dan nilai RR. Bagaimana cara memperoleh koefisien korelasi telah dibahas pada Bab VII. dan koefisien korelasi. 2.BAB IX UKURAN KEKUATAN HUBUNGAN RASIO ODDS (RO) DAN RISIKO RELATIF (RR) Tujuan 1. Pada analisis bivariat. maka uji hipotesis yang digunakan adalah Chi-Square. Apabila uji Chi-Square tidak memenuhi syarat. RO dan RR digunakan pada analisi komparatif kategorik sementara koefisien korelasi digunakan pada analisis korelatif. Pemahaman terhadap tema ini akan memudahkan kita dalam memahami analisis multivariat. ada baiknya terlebih dahulu kita bahas mengenai ukuran kekuatan hubungan.

Perbedaannya adalah pada pilihan risk yang harus dipilih untuk mendapatkan nilai RO.  Buka file data_rasioodds.91 Artinya.55 dengan IK 95% 1. pilih Chi-Square di sebelah kiri atas dan Risk di kanan bawah.  Klik kotak Statistic.  Klik kotak Cell. sebanyak 56. Uji hipotesis yang digunakan adalah uji Chi-Square.  Klik Continue dan OK.001. Korelasi yang digunakan adalah RO (lihat baris pertama pada risk estimate) yaitu sebesar 3.  Klik Descriptive statistics. Langkah-langkah uji hipotesis dan memperoleh nilai OR dengan menggunakan SPSS sama dengan apa yang sudah dibahas pada Bab V. dengan nilai p sebesar 0.akan digunakan uji alternatifnya.  Klik Crosstabs. Akan didapatkan hasil sebagai berikut.  Klik Analyze. hanya 26. Dari semua pasien yang menderita syok. .  Masukkan syok ke dalam Column. pasien dengan hepatomegali mempunyai kemungkinan 3. 3.  Masukkan hepatomegali ke dalam Row(s).3% mengalami hepatomegali.6% yang mengalami hepatomegali. secara statistik terdapat hubungan yang bermakna antara hepatomegali dengan syok. Interpretasj 1. yaitu uji Fisher.55 dapat juga diinterpretasikan bahwa probabilitas pasien yang mengalami hepatomegali untuk menderita syok adalah sebesar 78%. Besarnya kekuatan hubungan diketahui dari parameter nilai RO karena desain yang digunakan adalah kasus kontrol.55 kali untuk mengalami syok dibandingkan dengan pasien yang tidak hepatomegali Nilai RO sebesar 3. 2.59-7. pilih Column pada Percentages. Artinya. Sedangkan dari semua pasien yang tidak syok.

Cobalah hitung nilai RO dan RR dari tabel di atas secara manual! Nilai a. Perbandingan kemungkinan kategori atas dibandingkan dengan kategori bawah untuk mengalami kolom kiri adalah sebesar ??? Pada kasus di atas.55 maka probabilitas = 78% Beberapa catatan: 1. Variabel terikat Total Kolom kiri (ya) Kolom kanan (tidak) Faktor Risiko Hepatomegali Kategori bawah (tidak) Kategori atas (ya) . Rumus nilai RO adalah ad/bc sementara rumus nilai RR adalah a/(a+b) : c/(c+d).Dari manakah angka 78% diperoleh? Probabilitas dapat dihitung apabila kita mengetahui berapa besar nilai RO-nya. Besar nilai RO dan RR bisa dihitung secara manual.55. maka probabilitas = 66. maka probabilitas = 50% bila RO = 2. bila RO = 1. b. c. Syok Hepatomegali Ya Tidak Total Ya a c a+c Tidak b d b+d Total a+b c+d N 2. kemungkinan kategori atas (hepatomgali) dibandingkan dengan kategori bawah (tidak hepatomegali) untuk mengalami kolom kiri (syok) adalah sebesar 3. maka probabilitas = 75% bila RO = 3. Rumus umum untuk membaca RO dan RR adalah sebagai berikut. dan d dapat diketahui dengan melihat tabel berikut.6% bila RO = 3. yaitu dengan rumus: P = RO/(1÷RO) Dengan demikian.

hepatomegali “tidak” disebut sebagai kategori bawah. dan 2 untuk tidak hepatomegali. misalnya 1 untuk hepatomegali. Hal ini karena desain penelitian adalah desain kasus kontrol. bukan bentuk baris. .kecil daripada tidak hepatomegali. pemberian kode saat melakukan entry data. kode hepatomegali harus lebih. Begitu juga kode syok harus lebih kecil daripada tidak syok.*hepatomegali “ya” disebut sebagai kategori atas. maka syok “tidak” disebut sebagai kolom kanan. dan 2 untuk tidak syok. dan syok ya” disebut sebagal kolom kiri. 3. misalnya 1 untuk syok. Pada kasus ini persentase dibuat bentuk kolom. Apabila desain penelitian adalah kohort. maka persentase dibuat bentuk baris seperti tabel berikut. Sebagai konsekuensi dari interpretasi poin 2. 4.

trombositopenia. ya Kategori Variabel Kategorik . kategori variabel. dan skala pengukuran. Kasus : Tujuan penelitian adalah untuk mengetahui faktor-faktor yang dapat dijadikan sebagai predictor terjadinya syok pada pasien anak demam berdarah. Tabel 10. dan hepatomegali pada saat pasien masuk perawatan.BAB X ANALISIS REGRESI LOGISTIK Tujuan Pembaca mampu melakukan prosedur regresi logistic dengan SPSS dan melakukan interpretasi yang benar. hemokonsentrasu. syok Skala Pengukuran 1. perdarahan. Desain penelitian yang digunakan adalah kasus kontrol.1 Keterangan variabel. Data disimpan dalam file dengan nama data_regresilogistik. Variabel yang diteliti adalah jenis kelamin. Variabel 1.

Lakukanlah analisis multivariat dengan menggunakan SPSS! 7. Bagaimanakah kualitas persamaan yang diperoleh baik diskriminasi maupun dari segi kalibrasi? Marilah kita jawab pertanyaan di atas satu demi satu. ≥ 50. Laki-laki 2. jenis kelamin 4. Analisis multivariat apa yang akan digunakan? 5. syok_reg 3. ≥ 42% 2. ya 2. perdarahan 5. hematrokit 7. positif 2. Parameter kekuatan hubungan apa yang digunakan? 3. trombosit 6. Setelah dilakukan analisis multivariat: a. hepatomegali 2. Pertanyaan: 1. ≤ 50. tidak Kategorik Kategorik Kategorik Kategorik Kategorik Kategorik Keterangan: Pada data di atas terdapat dua variable syok dengan kode yang berbeda. Uji hipotesis apa yang akan digunakan pada analisis bivariat? Bagaimana hasil analisis bivariat tersebut? 2.000 / µl 2.terhadap syok? Bagaimana kekuatan hubungannya? b.2. negatif 1. tidak 1. ya 0. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? 6. bagaimana aplikasi dan persamaan yang diperoleh untuk memprediksi probabilitas syok pada pasien 8. variabel apa saja yang berpengaruh. Lakukanlah analisis bivariat dengan menggunakan SPSS! 4. Perempuan 1. Variabel syok dengan kode 1 dan 2 akan digunakan untuk analisis bivariat sementara variable syok dengan kode 1 dan 0 akan digunakan untuk analisis multivariat.000 / µl 1. apa persamaan yang diperoleh? c. . ≤ 42% 1. tidak 1.

5. pembandingnya adalah tidak perdarahan. 3. yang berarti pembanding. Uji hipotesis apa yang akan digunakan pada analisis bivariat? Uji hipotesis untuk analisis bivariat adalah uji Chi-Square atau uji Fisher karena semua analisis bivariat yang dilakukan termasuk ke dalam analisis komparatif kategorik tidak berpasangan. 2. Pada umumnya. 4. Parameter kekuatan hubungan apa yang digunakan? Parameter kekuatan bubunan yang digunakan adalah nilai rasio odds (RO) karena penelitian menggunakan desain kasus kontrol. Hepatomegali. hematokrit. pembandingnya adalah perempuan. trombosit. Lakukanlah analisis regrësi logistik dengan menggunakan SPSS!  Klik Analiyze  Regression  Binary logistic. . Variabel tersebut adalah perdarahan. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? Variabel yang akan dimasukkan ke dalam analisis regresi logistik adalah variabel yang pada analisis bivariat mempunyai nilai p < 0.1. dan hematokri. 6. Apakah hasil yang Anda peroleh sama dengan tabel berikut? Tabel 10. Analisis multivariat apa yang akan digunakan? Analisis multivariat yang akan digunakan adalah regresi logistik karena variabel terikatnya adalah variabel kategorik dikotom.25. hepatomegali. dengan syok Kata ref pada tabel di atas adalah singkatan dan referensi. Untuk jenis kelamin. Untuk perdarahan. artinya kita membandingkan laki-laki terhadap perempuan. artinya kita membandingkan pasien yang mengalami perdarahan terhadap pasien yang tidak mengalami perdarahan. dan trombosit. Lakukanlah analisis bivariat dengan menggunakan SPSS! Lakukanlah analisis Chi-Square dan carilah nilai RO-nya untuk tiap-tiap variabel sebagaimana dapat dilihat pada Bab V dan Bab IX. yang dijadikan sebagai pembanding adalah kategori yang dianggap tidak berisiko. perdarahan.2 Analisis bivariat variabel jenis kelamin.

 Klik Continue.  Aktifkan kotak Save.  Masukan semua variabel independen ke dalam Covariate. kode 2 menjadi pembanding/reference. Pilih Hosmer-Lameshow goodness-of-fit. Klik OK. Pada output. Dengan demikian tidak perlu merubah apapun pada Reference Category. lalu kliok kotak Change.  Pilih CI for exp(B).  Klik Continue.  Pilih metode Backward LR pada pilihan metode. Categorical Variable Coding.  Pilih Probabilitas. Catatan : Bila yang menjadi pembanding adalah kode 1.  Proses sudah selesai. Variable in the Equation. dan Hosmer and Lameshow test. Pindahkan semua variabel kategorik dari Covariates ke Categorical Covariates. . Masukan variabel syok (untuk analisis multivariat: syok_reg) ke dalam Dependent Variable.  Aktifkan kotak options.  Perhatikan pada masing-masing variabel saat ini telah ada tulisan (cat) setelah nama variabel.  Aktifkan kotak Categorical.  Klik Continue. maka kotak first harus dipilih. Pada saat pemasukan data. maka yang menjadi pembanding pada penelitian ini adalah last. periksalah: Dependent Variable Encoding.

Dengan metode backward.Dependent Variable Encoding dan Categorical Variables Coding dilihat untuk memeriksa kembali apakah sistem pengkodean sudah benar. dan hematokrit. Hal ini sudah benar karena pada regresi logistik. 7. dan perdarahan (tidak) diberi kode 0. perdarahan (RO = 3. Akan tetapi. Pada Categorical Variables Codings.000/µl. pada saat analisis regresi logistik. Pada langkah pertama. dan hematokrit (OR = 3. kode tersebut diganti menjadi 0. Perhatikan bahwa pada saat mengisi data. hepatomegali. sementara syok diberi kode 1. hepatomegali (ya). kita melakukan prosedur categorical dan seterusnya.43). Kekuatan hubungan dari yang terbesar ke yang terkecil adalah hepatomegali (OR = 3. Variabel yang berpengaruh terhadap syok adalah perdarahan. . hepatomegali (tidak). kategori tersebut mempunyai kode 1. Perubahan kode ini secara otomatis dilakukan oleh software karena pada saat melakukan perintah analisis regresi logistik. dimasukkan semua variabel. kode tersebut diganti menjadi 1.000/µl. Pada angkah pertama ini.28). terdapat dua langkah untuk sampai pada hasil akhir. tidak syok diberi kode 0. Variables in the Equation untuk melihat hasil akhir analisis multivariat. dan perdarahan (ya) diberi kode 1. Kategori hematokrit > 42%.11). Kekuatan hubungan dapat dilihat dari nilai OR (EXP{B}). Interpretasi hasil regresi logistik a. kategori tersebut mempunyai kode 2 akan tetapi. Perhatikan bahwa pada saat mengisi data. variabel trombosit mempunyai nilai p (sig) paling besar atau mempunyai nilai RO paling mendekati 1 sehingga variabel trombosit tidak lagi tercantum pada langkah ke-2. trombosit > 50. kategori yang akan diprediksikan harus diberi kode 1. trombosit < 50. Pada Dependent Variable Encoding. pada saat analisis regresi logistik. hematokrit ≤ 42%.

Nilai variabel bebas dapat dilihat pada Categorical Variable Coding.189 (0) + 1. mengalami hepatomegali.189 (perdarahan) + 1. Hematokrit bernilai 1 jika “> 42%” dan bernilai 0 jika “d ≤ 42%”.675 + 1.7 y = konstanta + a1x1 + a2x2 + … + aixi a = nilai koefisien tiap variabel x = nilai variabel bebas Contoh 1 Seorang pasien DBD dirawat tanpa perdarahan. y = -2. dan hematokrit > 42%.5%.675 + 1.233 (hepatomegali) + 1.675 dengan demikian. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut.065 Dengan demikian. probabilitas pasien untuk menderita syok adalah 6. Perdarahan bernilai 1 jika “ya” dan bernilai 0 jika “tidak”. .7-(-2.137 (0) y = -2. tidak mengalami hepatomegali. dan hematokrit ≤ 42%.233 (0) + 1.233 (hepatomegali) + 1. Contoh 2 Seorang pasien DBD dirawat dengan perdarahan.675 + 1.137 (hematokrit) y = -2. y = -2.189 (perdarahan) + 1. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut. Aplikasi dan persamaan yang diperoleh adalah untuk memprediksi probabilitas seorang pasien untuk mengalami syok dengan menggunakan rumus: p = 1/(1+e-y) di mana p = probabilitas untuk terjadinya suatu kejadian (misalnya penyakit) e = bilangan natural = 2. Hepatomegali bernilai 1 jika “ya” dan bernilai 0 jika “tidak”. c.72. probabilitasnya adalah: p = 1/(1+e-y) = 1/(1+2.675) = 0.675)) = 1/(1+2.b.137 (hematokrit) Nilai konstanta dan nilai koefisien untuk setiap variabel tersebut dapat dilihat pada kolom B. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi.

probabilitas pasien untuk menderita syok adalah 70.6%.y = -2. Bagaimanakah kualitas persamaan yang diperoleh.7-(0. b.137(1) y = -2.  Pilih semua kotak yang terdapat pada menu Display. Pada kolom terakhir.675 + 1. Klik OK.189 (perdarahan) + 1. Variabel ini merupakan hasil dari perintah Probability pada kotak Save pada saat melakukan analisis multivariat. Nilai kalibrasi dapat dilihat dari Hosmer and Lameshow Test.675 + 1. Variabel ini merupakan prediksi terjadinya syok pada masing-masing subjek penelitian yang berguna untuk melihat nilai diskriminasi persamaan dengan metode ROC.706 Dengan demikian.884 dengan demikian. Masukan angka 1 ke dalam value of State Variable. dapat ditentukan secara klinis atau secara . Menilai kualitas persamaan yang diperoleh berdasarkan parameter diskriminasi.  Proses sudah selesai. pilih ROC. Nilai diskriminasi dapat diketahui dengan melihat nilai Area Under the Curve (AUC).189 + 1. 8. diperoleh hasil sebagai berikut.233 (hepatomegali) + 1. Nilai AUC adalah sebesar 74%.  Pada output.233 + 1.675 + 1. persamaan yang diperoleh mempunyai kalibrasi yang baik. Langkah-langkah adalah sebagai berikut.189 (1) + 1.585.  Masukan syok_reg (kode 1 dan 0) ke dalam State Variable. Apakah nilai AUC ini cukup memuaskan? Memuaskan atau tidaknya nilai AUC. Lihatlah kembali data.233 (1) + 1.137 = 0.  Masukan variabel PRE_1 ke dalam Test Variable.137 (hematokrit) y = -2. terdapat variabel baru yang bernama PRE_1. Nilai p pada Hosmer and Lameshow Test adalah sebesar 0. Menilai kualitas persamaan yang diperoleh berdasarkan parameter kalibrasi. Artinya.884)) = 0.  Pilih Graph. baik dari segi diskriminasi maupun dan segi kalibrasi? a. probabilitasnya adalah: p = l/(l+e-y) = l/(1+2.

peneliti yang menentukan berapa nilai AUC minimal yang dianggap memuaskan yang nilainya akan sangat bervariasi bergantung pada substansi yang diteliti. Apabila secara klinis peneliti tidak dapat menentukan nilai AUC minimal yang memuaskan. Pada umumnya.60% Interpretasi Sangat lemah Lemah Sedang Kuat Sangat Kuat BAB XI ANALISIS REGRESI LINIER Tujuan Pembaca mampu melakukan prosedur regresi linier dengan SPSS dan melakukan interpretasi yagg benar.60% > 50% .statistik. Tabel 10.60% > 50% . maka penentuannya dapat dilakukan secara statistik. Secara klinis. interpretasi secara statistik adalah seperti yang tercantum pada tabel berikut. .60% > 50% .3 Interpretasi nilai AUC Nilai AUC > 50% .60% > 50% .

Data disimpan dalam file dengan nama data_regrelinier. Setelah dilakukan analisis multivariat: a. seorang dokter harus menampung urine selama 24 jam. Uji hipotesis untuk analisis bivariat adalah korelasi pearson. 2. 3. Analisis bivariat dengan menggunakan SPSS. Parameter kekuatan hubungan yang digunakan adalah koefisien korelasi. Kadar kreatinin serum Pertanyaan : 1. Selama ini. Lakukanlah analisis bivariat dengan menggunakan SPSS! 4. Parameter kekuatan hubungan apa yang digunakan? 3. Menampung urine selama 24 jam terkadang tidak efisien karena dokter memerlukan nilai bersihan kreatinin lebih cepat dari 24 jam. Lakukanlah analisis Pearson dan carilah r untuk tiap-tiap variabel sebagaimana dapat dilihat pada. Bersihin kreatinin 2. Variabel 1. Berat badan 3. Lakukanlah analisis multivariat dengan menggunakan SPSS! 7. apa persamaan yang diperoleh? c. dan usia pasien. Bab VII. Apakah hasil yang Anda peroleh sama dengan tabel berikut? . bagaimana aplikasi dari persamaan yang diperoleh untuk memprediksi bersihan kreatinin pasien? 8.Kasus : Seorang peneliti ingin mengetahui cara yang lebih sederhana untuk menghitung nilai bersihan kreatinin. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? 6. Analisis multivariat apa yang akan digunakan? 5. Variabel apa saja yang berpengaruh terhadap bersihan kreatinin? Bagaimana urutan kekuatan hubungannya? b. Bagaimanakah kualitas persamaan yang diperoleh? Jawab: 1. berat badan. Uji hipotesis apa yang akan digunakan pada analisis bivariat? Skala pengukuran Numerik Numerik Numerik Numerik Satuan ml/menit kg tahun mg/dl 2. Usia 4. Tujuan penelitian adalah untuk mengetahui cara memprediksi nilai bersihan kreatinin dengan menggunakan variabel kreatinin serum sesaat. untuk menghitung bersihan kreatinin.

b.25. c.963 (lihat kolom beta).  Masukan semua vaniabel independen ke dalam Independent  Pilih metode Backward pada pilihan metode. Bersihan kreatinin 118.663 .  Masukan variabel bersihan kreatinin ke dalam Dependent.  Proses sudah selesai. Variabel yang dapat digunakan untuk memprediksi bersihan kreatinin adalah variabel kreatinin dengan korelasi sebesar -0. 7. Interpretasi basil regresi linier. Bersihan kreatinin = 118. Aplikasi dan persamaan yang diperoleh adalah untuk memprediksi nilai bersihan kreatinin dengan rumus. Klik OK.510 (kreatinin serum) Contoh: . Variabel tersebut adalah umur dan kreatinin serum.4. 6. periksalah Coefficients. variabel yang pada analisis bivariat mempunyai nilai p < 0.663 – 49.49. Analisis multivariat yang akan digunakan adalah regresi linier karena variabel terikatnya adalab variabel dengan skala peugukuran numerik 5. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi.  Klik Analyze  Regression  Linier. Variabel yang akan dimasukkan ke dalam analisis regresi linier adalah.  Pada output. a.510 (kreatinin serum) Nilai konstanta dan nilai koefisien untuk variabel tersebut dapat dilihat pada kolom B. Analisis regresi linier dengan menggunakan SPSS.

Semakin mendekati 100%. Kualitas persamaan hasil analisis regresi linier dapat dinilai dengan melihat hasil uji ANOVA dan Model Summary. dijelaskan oleh variabel lain yang tidak diteliti. maka persamaan yang diperoleh semakin baik.3%. Dengan demikian. lihatlah nilai Adjusted R Square. Suatu persamaan dikatakan layak untuk digunakan bila nilai p pada uji ANOVA < 0.3%. nilai p adalah sebesar < 0. artinya persamaan yang diperoleh mampu menjelaskan bersihan kreatinin sebesar 92. Pada Model Summary di atas.510 (kreatinin serum) Bersihan kreatinin = 118. Pada Model Summary.7% sisanya.2 mg/dl.663 – 49. .001. rumus yang digunakan layak untuk digunakan.2) = 59.221 ml/menit Meniläi kualitas persamaan yang diperoleh.Kreatinin serum seorang pasien adalah sebesar 1.510(1. Adjusted R Square adalah sebesar 92. Pada uji ANOVA ini.05. Berapakah prediksi nilai bersihan kreatinin pasien? Dengan menggunakan rumus di atas. Sebesar 7. Bersihan kreatinin = 118. kita bisa memprediksikan nilai bersihan kreatinin pasien tersebut. Nilai ini mempunyai arti berapa besar nilai (persen) persamaan yang diperoleh mampu menjelaskan bersihan kreatinin. BAB XII MENILAI SYARAT REGRESI LINER (1) Tujuan Pembaca mampu melakukan pengecekan syarat regresi liner dengan menggunakan SPSS dan melakukan interpretasi yang tepat.663 – 49.

dan menilai kualitas hasil yang diperoleh.510(kreatinin serum) Kita mengetahui bahwa kreatinin serum bukanlah satu-satunya variabel yang bisa memprediksikan bersihan kreatinin. Histogram dari residu dependen harus linier Residu mempunyai distribusi yang . Penjelasan lainnya ini sering kali disebut dengan istilah residu atau error. + residu Tabel 12...663 – 49.663 – 49. maka kita bisa melakukan regresi linier. kita telah mendapatkan persamaan regresi sebagai berikut. yaitu mengecek apakah syarat regresi linier terpenuhi atau tidak. ada satu tahap yang harus dilakukan pada analisis regresi linier.663 – 49.510*a + residu Dalam bahasa matematika yang umum lagi. Bersihan kreatinin = 118. Membuat grafik histogram dari residu atau dengan uji normalitas. bagaimana melakukan interpretasi. persamaan tersebut ditulis: Y = 118.1 Syarat regresi linier Komponen Variabel independen dan dependen Residu Syarat Hubungan independen variabel dan Normal Kata kunci Linier Cara mendeteksi Membuat grafik scatter plot antara variabel independen dengan variabel dependen. Apabila syarat regresi linier terpenuhi. y = β0 + β1a + residu Bila terdapat banyak variabel independen. Bersihan kreatinin = 118.Pada Bab XI telah diuraikan bagaimana melakukan uji regresi linier. Scatter harus berada di sekitar garis diagonal. bahasa matematikanya adalah : y = β0 + β1a1 + β2a2 + β3a3 + . Memahami logika persamaan regresi Untuk memahami syarat regresi linier. Dalam bahasa matematika. Pada Bab XI. kita perlu memahami logika persamaan regresi linier terlebih dahulu. Sebenarnya. Syarat regresi linier dibahas setelah pembahasan regresi linier adalah untuk memudahkan pemahaman. Syarat regresi linier dapat diketahui dari persamaanya. sehigga rumus yang lengkap adalah sebagai berikut.510(kreatinin serum) + penjelasan lainnya.

 Proses sudah selesai. RES_1 (Unstandardized Residual). Membuat scatter plot antara standardized residual dengan standardized predicted value Membuat korelasi antara variabel independen atau dengan collinierity diagnostic. Lakukan prosedur sebagaimana yang dilakukan pada Bab XI.8. Perbedaannya adalah pada Data View dan Variable View.05 Membuat statistik deskripsi dari residu. Klik Continue dan OK. Tambahan perintahnya adalah pada pilihan kotak Save.8. Nilai Durbin Watson Konstan Autokorelasi sekitar 2. Karena perintah save tadi. Output yang diperoleh sama dengan output pada Bab XI. Korelasi residu dengan var independen harus < 0.normal Residu Residu-variabel independen Residu mempunyai Mean = 0 Independen harus berdistribusi normal.  Pilih metode Backward pada pilihan metode.4.  Klik kotak Save. Korelasi antara variabel independen harus < 0. Nilai tollerance pada collinierity diagnostic > 0. Uji normalitas mempunyai nilai p > 0. Dengan menggunakan variabel baru tersebut. ZPR_1 (Standardized Predicted Value). maka pada data terdapat variabel baru yang bernama PRE_1 (Unstandardized Predicted Value). Mean residu harus = 0 Membuat korelasi antara residu dengan variabel independen atau dengan uji DurbinWatson. Pilihlah Unstandardized dan Standardized pada Predicted values dan Residual seperti gambar berikut. dan ZRE_1 (Standardized Residual).  Masukkan variabel kreatinin ke dalam Dependent. marilah kita periksa satu-persatu apakah syarat regresi linier terpenuhi atau tidak: .  Klik Analyze  Regression  Linier.  Masukkan semua variabel independen ke dalam Independent.  Buka data_regresilinier. rerata sebesar 0 Residu tidak mempunyai korelasi yang kuat dengan variabel independen Residu-variabel independen Variabel Independen Variabel dari residu konstan Tidak ada korelasi yang kuat antara variabel independen Pengujian syarat regresi linier dengan menggunakan SPSS Bukalah kembali file data_regresilinier.

Pengujian 2: Residu berdistribusi normal dan mean residu = 0 Langkah-langkah ini telah Anda pelajari pada Bab II buku ini.  Pada output.  Masukan PRE_1 ke aksis y.  Masukan Standardized Residual ke aksis y.  Masukkan Standardized Predicted Value ke aksis x.  Pilih Graphs.  Masukkan bersihan kreatinin ke aksis x. pada Method pilih Regression. Pengujian 3: Residu mempunyal varian yang konstan Untuk mengetahui apakah residu mempunyai varian yang konstan. Pada output.  Pilih Scatterplot. Dengan melihat grafik scatter ini.  Pilih Graphs. Lakukanlah langkah sebagai berikut.  Pilih Scatterplot. Dalam hal ini scatter antara PRE_1 dengan bersihan kreatinin. klik OK. akan diperoleh hasil sebagai berikut.  Pilih Interactive. akan diperoleh hasil sebagai berikut. kita perlu membuat scatter plot antara nilai prediksi dengan nilai observasi. lakukanlah langkahlangkah berikut. Silahkan Anda lakukan langkah-langkah sebagaimana yang dipelajari pada Bab II. .  Proses sudah selesai.  Pilih Fit.  Pilih Interactive. kita bisa menarik kesimpulan bahwa syarat linieriti telah terpenuhi. yaitu mengenai cara mengetahui apakah data berdistribusi normal atau tidak.Pengujian 1: Hubungan variabel terikat dengan variabel bebas harus linier Untuk mengetahui syarat ini terpenuhi atau tidak.

p > 0. Dengan melakukan prosedur pengujian syarat regresi linier di atas. terlihat bahwa scatter tidak membentuk pola tertentu. Klik OK. Anda akan memperoleh hasil sebagai berikut.8 Varian tidak konstan mempunyai scatter pola Terpenuhi Terpenuhi Terpenuhi Terpenuhi Terpenuhi Kesimpulan Terpenuhi independen dan dependen mempunyai distribusi yang normal Residu mempunyai rerata sebesar 0 Residu tidak mempunyai korelasi yang kuat dengan variabel independen Residu mempunyai varian yang konstan Tidak ada korelasi yang kuat antara variabel independen tertentu Korelasi antara variabel independen < 0.05 Mean = 0 Korelasi residu dengan variabel independen < 0. Akan diperoleh hasil sebagai berikut.8 . Lakukanlah langkahlangkah tersebut. Tabel 12.2 Hasil pengujian syarat regresi linier Komponen Variabel bebas terikat Residu Residu Residu-variabel independen Residu-variabel independen Variabel independen dan Syarat Hubungan harus linier Residu variabel Hasil Pengujian Scatter harus berada di sekitar garis diagonal Test shapiro wilk. syarat varian yang konstan terpenuhi. dapat kita simpulkan bahwa syarat regresi linier terpenuhi. Pengujian 4: Residu dan variabel bebas tidak mempunyai korelasi yang kuat dan antarvariabel bebas tidak mempunyai korelasi yang kuat Cara melakukan uji korelasi telah Anda pelajari pada Bab VII buku ini. Dari grafik tersebut. Dengan demikian.

Sign up to vote on this title
UsefulNot useful