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

 Proses telah selesai.078. 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. Oleh karena nilai p > 0. Nilai korelasi Pearson sebesar 0. baik skor ansietas maupun skor depresi mempunyai nilai p = 0.000 yang menunjukkan bahwa korelasi antara skor depresi dan skor ansietas adalah bermakna. .  Analyze  Correlate  Bivariate. Klik OK.  Pilih Two tailed pada Test of Significance.  Masukkan depresi dan ansietas ke dalam kotak variables.862 menunjukkan korelasi positif dengan kekuatan korelasi yang sangat kuat. Melakukan uji Pearson Untuk melakukan uji Pearson. Hasil yang diperoleh adalah sebagai berikut. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi normal. 2.Pada uji Test of Normality Kolmogorov-Smirnov. LATIHAN 2 UJI KORELASI SPEARMAN (HIPOTESIS KORELATIF NUMERIK DISTRIBUSI TIDAK NORMAL) Kasus : Anda ingin mengetahui korelasi antara skor gangguan somatik dengan skor gangguan sosial. Interpretasi Dari hasil di atas.05.  Pilih uji Pearson pada kotak Correlation Coefficients. lakukanlah langkah-langkah berikut. diperoleh nilai sig 0.

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

Klik OK.  Pilih Two tailed pada Test of Significance. b.05. Nilai korelasi Spearman sebesar 0. diperoleh nilai Significancy 0. Interpretasi Dari hasil di atas. Pada uji Test of Normality Kolmogorov-Smirnov. Oleh karena nilai p < 0.351 menunjukkan bahwa arah korelasi positif dengan kekuatan korelasi yang lemah. Melakukan transformasi 3. Melakukan uji Spearman Untuk melakukan uji Spearman. Sebagaimana kesepakatan. Anda menggunakan hasil uji Kolmogorov-Smirnov untuk menguji apakah distribusi data normal atau tidak.a. baik skor somatic complaint maupun skor social problem mempunyai nilai p = 0. lakukanlah langkah-langkah berikut.  Pilih uji Spearman pada kotak Correlation Coefficients.  Masukkan somatic dan social ke dalam kotak Variables. Hasil yang diperoleh adalah sebagai berikut.000. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi variabel sebelum melangkah pada proses selanjutnya. Menguji hasil transformasi 4.000 yang menunjukkan bahwa korelasi antara gangguan somatik dengan gangguan sosial adalah bermakna. LATIHAN 3 UJI KORELASI GAMMA DAN SOMERS’D (HIPOTESIS KORELATIF ORDINAL TABEL B X K) . 2.  Proses telah selesai.  Analyze  Correlate  Bivariate. Bagian pertama adalah statistik deskriptif untuk variabel somativ complaint dan skor social problem. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi tidak normal.

Gamma dan Somers’d. sedang. Bagaimana melakukan uji korelasi Gamma dan Somers’d dengan SPSS?  Buka file gamma. .Kasus : Anda ingin mengetahui korelasi antara tingkat penilaian responden terhadap mutu pelayanan penawaran (buruk.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. Tabel 7. Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : sakit (kategorik ordinal) Korelatif Kategorik ordinal 1. sedang. 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. baik). 3. Lakukanlah langkah-langkah sebagai berikut. 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) dengan mutu pelayanan rumah sakit (buruk. yaitu korelasi Spearman.  Masukkan variabel p3 ke dalam rows.  Analyze  Descriptive Statistics  Crosstabs. Terdapat tiga pilihan uji korelasi. Pelajari terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada pada file tersebut.  Masukkan variabel p4 ke dalam Columns.

Output pertama (crosstab) menyajikan tabel silang antara mutu pelayanan keperawatan dengan mutu layanan rumah sakit. maka nilai yang Anda pergunakan adalah hasil uji Somers’d bari ke dua. 2.  Pilih Gamma dan Somers’d. Bagaimanakah hasilnya? Interpretasi 1. 3. Output kedua (directional measures) menyajikan hasil uji Somers’d. Output ketiga (symmetric measures) menyajikan hasil uji Gamma. Anda merumuskan pertanyaan penelitian sebagai berikut : “Apakah terdapat korelasi antara perilaku merokok dengan status fertilitas seorang pria?” . Klik OK.  Proses telah selesai. Hasil uji Somers’d Anda pakai jika salah satu variabel Anda anggap sebagai variabel bebas sedangkan variabel yang lain sebagai variabel tergantung. Anda membaca bahwa besar korelasinya adalah 0. 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). Anda menggunakan uji Gamma bila kedudukan dua variabel setara (tidak ada variabel bebas dan tergantung).028 yang menunjukkan bahwa korelasinya sangat lemah. Jika Anda menganggap bahwa mutu pelayanan rumah sakit sebagai variabel bebas. Pada uji Gamma diperoleh nilai korelasi sebesar 0. Aktifkan kotak Statistics.052 yang menunjukkan bahwa korelasi sangat lemah.

3. Anda memilih uji lambda karena kedudukan dua variabel tidak setara.Uji hipotesis apa yang akan Anda pilih? Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah sebagai berikut.  Pilih Lambda pada kotak Nominal. Lakukanlah prosedur sebagai berikut. Pelajari terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada pada file tersebut.  Masukkan perilaku merokok ke dalam Rows (karena bertindak sebagai variabel bebas). Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : perilaku merokok (kategorik nominal) Korelatif kategorik nominal 1.7 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. Tabel 7. Terdapat dua pilihan uji.  Nominal untuk melanjutkan proses selanjutnya.  Proses telah selesai. yaitu uji korelasi koefisien kontingensi dan lambda.  Analyze  Descriptive statistics  Crosstabs. klik OK. Prosedur uji korelasi Lambda  Buka file Lambda. di mana perilaku merokok sebagai variabel bebas dan infertilitas sebagai variabel tergantung. .  Masukkan variabel status fertilitas ke dalam Colums (karena bertindak sebagai variabel terikat).  Klik kotak Statistics. Klik Continue.

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

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

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

dan E. B. Proses akan berhenti ketika tidak ada lagi variabel yang dapat dimasukkan ke dalam analisis. B. Peneliti melihat hasil bahwa variabel E adalah variabel yang paling tidak bermakna Oleh karena itu. B. B. Dengan demikian. lalu C. Melakukan analisis multivariat. Metode enter dilakukan secara manual sedangkan metode forward dan backward secara otomatis. Pada metode forward.25 adalah variabel A. variabel D adalah variabel yang paling tidak bermakna Selanjutnya. B. variabel yang tidak berpengaruh akan dikeluarkan dari analisis. (Sedangkan variabel bebasnya adalah variabel A. forward. C. Analisi multivariat baik regresi logistik maupun regresi linear dibagi menjadi 3 metode. C. dan C dengan urutan kekuatan adalah A. tidak otomatis. dan E. C. Dengan metode backward analisis multivariat. Hasil dari analisis. kelima variabel inilah yang akan dimasukkan ke dalam analisis multivariat. E. Secara bertahap. variabel yang berpengaruh terhadap variabel Z adalah variabel A. Ilustrasi apabila analisis dilakukan secara forward. dan D saja. Dengan metode forward analisi multivariat secara otomatis akan memasukkan varjabel A. pada analisis berikutnya peneliti memasukan variabel A. B. software secara otomatis akan memasukkan semua variabel yang terseleksi untuk dimasukkan ke dalam multivariat. Pada metode backward. dan backward. variabel yang mempunyai nilai p < 0.2. F. kemudian variabel B. Variabel yang paling tidak berpengaruh terhadap variabel Z adalah variabel E. Analisis berhenti sampai di sini. D. Contoh kasus: Variabel terikat suatu penelitian adalah variabel Z. Hasil dari analisis ini adalah baik . software secara otomatis akan memasukkan variabel yang paling berpengaruh kemudian memasukan variabel berikutnya yang berpengaruh tetapi ukuran kekuataanya lebih rendah daripada variabel pertama. pertama-tama. B. Analisis berhenti sampai di sini. D. Kemudian variabel E dikeluarkan dari analisis diikuti oleh variabel D. dan H. C. B. D. peneliti melakukan analisis lagi dengan memasukkan variabel A. G. Pada analisis bivariat. dan diakhiri variabel C. secara otomatis akan memasukkan variabel A. akan tetapi prosesnya dilakukan secara manual. Proses akan berhenti sampai tidak ada lagi variabel yang dapat dikeluarkan dari analisis. yaitu enter. dan E. Dengan metode entetr peneliti memasukan variabel A. Metode enter dapat dilakukan menyerupai metode forward dan backward. Setelah dilakukan analisis multivariat. backward dan enter adalah sebagaj berikut. Ketiga metode ini akan memberikañ hasil yang sama namun prosesnya berbeda. dan C. C.

Analisis berhenti sampai di sini. B. Model atau rumus untuk memprediksikan variabel terikat. Sedangkan untuk regresi linier urutan kekuatan hubungannya diketahui dari besarnya nilai r (koefisien korelasj) c. Urutan kekuatan hubungan dari variabel-variabel yang berpengaruh terhadap variabel terikat. D. D A. Tabel 8. dan C berpengaruh kepada variabel Z dengan kekuatan pengaruh dan yang paling besar adalah A. backward. C 3. Melakukan intenpretasi hasil. rumus umum yang diperoleh adalah : p = 1/(1+e-y) di mana p = probabilitas untuk terjadinya suatu kejadian (misalnya penyakit) c = bilangan natural = 2.7 y = konstanta + a1x1 + a2x2 + …. a. C. b. B lalu C. + aixi a = nilai koefisien tiap variabel x = nilai variabel bebas Sedangkan pada regresi linier. Pada regresi logistik urutan korelasi diketahui dari besarnya nilai OR. B. B. B. Pada regresi logistik. B.variabel A. B A. C A. 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 . D. B. C. Perbandingan metode forward. C. C Manual Enter A. B. D A. E A. Beberapa hal yang dapat diperoeh dari analisis multivariat adalah sebagai berikut.1. C. Variabel yang berpengaruh terhadap variabel terikat diketahui dari nilai p masing- masing variabel. E A. dan enter Variabel yang dimasukkan ke dalam analisis Langkah 1 Langkah 2 Langkah 3 Otomatis Forward Backward A A. B.

.4. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai R2 semakin mendekati angka 1.05.05 pada uji Hosmer and Lameshow. Pada analisis regresi logistik. Pada regresi linier terdapat asumsi linieritas. Menilai syarat atau asumsi. kualitas rumus yang diperoleh dinilai dengan melihat kemampuan diskriminasi dan kalibrasi. Suatu rumus dikatakan mempunyai kalibrasi yang baik jika mempunyai nilai p > 0. Kualitas dan rumus yang diperoleh pada regresi linier dinilai dengan melihat nilai diskriminasi dengan melihat nilai R2 dan kalibrasinya dengan melihat hasil uji ANOVA. homogenitas. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai AUG semakin mendekati angka 1. Menilai kualitas dari rumus yang diperoleh dari analisis multivariat. dan multikolinieriti. 5. Diskriminasi dinilai dengan melihat nilai Area Under Curve (AUC) dengan metode Receiver Operating Curve (ROC) sementara kalibrasi dengan metode Hosmer and Lameshow. normalitas. Suatu rumus dikatakan mempunyai kalibrasi yang baik apabila nilai p pada uji ANOVA < 0. independensi.

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

001.  Masukkan syok ke dalam Column. Interpretasj 1.6% yang mengalami hepatomegali.55 dengan IK 95% 1.  Masukkan hepatomegali ke dalam Row(s). Langkah-langkah uji hipotesis dan memperoleh nilai OR dengan menggunakan SPSS sama dengan apa yang sudah dibahas pada Bab V.  Klik Crosstabs.  Buka file data_rasioodds. Dari semua pasien yang menderita syok. Akan didapatkan hasil sebagai berikut.  Klik Descriptive statistics.3% mengalami hepatomegali.  Klik Analyze.  Klik kotak Statistic. Besarnya kekuatan hubungan diketahui dari parameter nilai RO karena desain yang digunakan adalah kasus kontrol.akan digunakan uji alternatifnya.  Klik kotak Cell.  Klik Continue dan OK. Uji hipotesis yang digunakan adalah uji Chi-Square. sebanyak 56. Sedangkan dari semua pasien yang tidak syok. Artinya. yaitu uji Fisher. 3.59-7. dengan nilai p sebesar 0.91 Artinya. pasien dengan hepatomegali mempunyai kemungkinan 3. Perbedaannya adalah pada pilihan risk yang harus dipilih untuk mendapatkan nilai RO.55 kali untuk mengalami syok dibandingkan dengan pasien yang tidak hepatomegali Nilai RO sebesar 3. secara statistik terdapat hubungan yang bermakna antara hepatomegali dengan syok. Korelasi yang digunakan adalah RO (lihat baris pertama pada risk estimate) yaitu sebesar 3.55 dapat juga diinterpretasikan bahwa probabilitas pasien yang mengalami hepatomegali untuk menderita syok adalah sebesar 78%. 2. pilih Chi-Square di sebelah kiri atas dan Risk di kanan bawah. . hanya 26. pilih Column pada Percentages.

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

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

Kasus : Tujuan penelitian adalah untuk mengetahui faktor-faktor yang dapat dijadikan sebagai predictor terjadinya syok pada pasien anak demam berdarah. syok Skala Pengukuran 1.1 Keterangan variabel. perdarahan. Data disimpan dalam file dengan nama data_regresilogistik. ya Kategori Variabel Kategorik .BAB X ANALISIS REGRESI LOGISTIK Tujuan Pembaca mampu melakukan prosedur regresi logistic dengan SPSS dan melakukan interpretasi yang benar. Variabel 1. dan skala pengukuran. trombositopenia. Desain penelitian yang digunakan adalah kasus kontrol. kategori variabel. Variabel yang diteliti adalah jenis kelamin. dan hepatomegali pada saat pasien masuk perawatan. hemokonsentrasu. Tabel 10.

apa persamaan yang diperoleh? c. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? 6. . 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. tidak Kategorik Kategorik Kategorik Kategorik Kategorik Kategorik Keterangan: Pada data di atas terdapat dua variable syok dengan kode yang berbeda. syok_reg 3. Analisis multivariat apa yang akan digunakan? 5. tidak 1.000 / µl 2. Bagaimanakah kualitas persamaan yang diperoleh baik diskriminasi maupun dari segi kalibrasi? Marilah kita jawab pertanyaan di atas satu demi satu. tidak 1. trombosit 6. Parameter kekuatan hubungan apa yang digunakan? 3. hepatomegali 2. bagaimana aplikasi dan persamaan yang diperoleh untuk memprediksi probabilitas syok pada pasien 8. Pertanyaan: 1.000 / µl 1.terhadap syok? Bagaimana kekuatan hubungannya? b. ≥ 50. ≤ 50. variabel apa saja yang berpengaruh. positif 2. Lakukanlah analisis multivariat dengan menggunakan SPSS! 7. hematrokit 7.2. negatif 1. Laki-laki 2. Setelah dilakukan analisis multivariat: a. ≥ 42% 2. ≤ 42% 1. Uji hipotesis apa yang akan digunakan pada analisis bivariat? Bagaimana hasil analisis bivariat tersebut? 2. Lakukanlah analisis bivariat dengan menggunakan SPSS! 4. Perempuan 1. perdarahan 5. ya 0. jenis kelamin 4. ya 2.

dan hematokri. Variabel tersebut adalah perdarahan. Parameter kekuatan hubungan apa yang digunakan? Parameter kekuatan bubunan yang digunakan adalah nilai rasio odds (RO) karena penelitian menggunakan desain kasus kontrol. . 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. Untuk perdarahan. 2.25. 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. dan trombosit. pembandingnya adalah tidak perdarahan. hematokrit. 4. hepatomegali. Apakah hasil yang Anda peroleh sama dengan tabel berikut? Tabel 10. 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.1. perdarahan. dengan syok Kata ref pada tabel di atas adalah singkatan dan referensi. yang berarti pembanding. Hepatomegali. artinya kita membandingkan pasien yang mengalami perdarahan terhadap pasien yang tidak mengalami perdarahan. trombosit. artinya kita membandingkan laki-laki terhadap perempuan. Untuk jenis kelamin. Lakukanlah analisis regrësi logistik dengan menggunakan SPSS!  Klik Analiyze  Regression  Binary logistic. Analisis multivariat apa yang akan digunakan? Analisis multivariat yang akan digunakan adalah regresi logistik karena variabel terikatnya adalah variabel kategorik dikotom. 5. 3.2 Analisis bivariat variabel jenis kelamin. yang dijadikan sebagai pembanding adalah kategori yang dianggap tidak berisiko. Pada umumnya. pembandingnya adalah perempuan. 6.

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

Akan tetapi. kategori tersebut mempunyai kode 2 akan tetapi. hepatomegali (ya). kita melakukan prosedur categorical dan seterusnya. Kategori hematokrit > 42%. kode tersebut diganti menjadi 1. Dengan metode backward.43). Variables in the Equation untuk melihat hasil akhir analisis multivariat. trombosit < 50. tidak syok diberi kode 0. Perubahan kode ini secara otomatis dilakukan oleh software karena pada saat melakukan perintah analisis regresi logistik. Kekuatan hubungan dapat dilihat dari nilai OR (EXP{B}). perdarahan (RO = 3.28).000/µl. kategori yang akan diprediksikan harus diberi kode 1. Kekuatan hubungan dari yang terbesar ke yang terkecil adalah hepatomegali (OR = 3.Dependent Variable Encoding dan Categorical Variables Coding dilihat untuk memeriksa kembali apakah sistem pengkodean sudah benar. terdapat dua langkah untuk sampai pada hasil akhir. Pada Categorical Variables Codings. hematokrit ≤ 42%. dan perdarahan (tidak) diberi kode 0. Interpretasi hasil regresi logistik a. 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. kategori tersebut mempunyai kode 1. dan perdarahan (ya) diberi kode 1.000/µl. 7. sementara syok diberi kode 1. trombosit > 50. pada saat analisis regresi logistik. Pada Dependent Variable Encoding. . hepatomegali (tidak). Perhatikan bahwa pada saat mengisi data. Perhatikan bahwa pada saat mengisi data.11). dimasukkan semua variabel. dan hematokrit (OR = 3. Pada angkah pertama ini. pada saat analisis regresi logistik. Pada langkah pertama. Variabel yang berpengaruh terhadap syok adalah perdarahan. dan hematokrit. hepatomegali. Hal ini sudah benar karena pada regresi logistik. kode tersebut diganti menjadi 0.

065 Dengan demikian. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi.72. probabilitas pasien untuk menderita syok adalah 6.137 (hematokrit) y = -2.675 dengan demikian.233 (hepatomegali) + 1.7-(-2.675 + 1. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut. Contoh 2 Seorang pasien DBD dirawat dengan perdarahan. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut.137 (hematokrit) Nilai konstanta dan nilai koefisien untuk setiap variabel tersebut dapat dilihat pada kolom B.137 (0) y = -2. Hepatomegali bernilai 1 jika “ya” dan bernilai 0 jika “tidak”.7 y = konstanta + a1x1 + a2x2 + … + aixi a = nilai koefisien tiap variabel x = nilai variabel bebas Contoh 1 Seorang pasien DBD dirawat tanpa perdarahan. mengalami hepatomegali. dan hematokrit > 42%. dan hematokrit ≤ 42%.675) = 0.675 + 1. y = -2.b. Hematokrit bernilai 1 jika “> 42%” dan bernilai 0 jika “d ≤ 42%”. y = -2.233 (0) + 1. Perdarahan bernilai 1 jika “ya” dan bernilai 0 jika “tidak”. . 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. Nilai variabel bebas dapat dilihat pada Categorical Variable Coding. probabilitasnya adalah: p = 1/(1+e-y) = 1/(1+2.675 + 1. tidak mengalami hepatomegali.5%.233 (hepatomegali) + 1.189 (perdarahan) + 1.189 (perdarahan) + 1.675)) = 1/(1+2. c.189 (0) + 1.

706 Dengan demikian. Variabel ini merupakan prediksi terjadinya syok pada masing-masing subjek penelitian yang berguna untuk melihat nilai diskriminasi persamaan dengan metode ROC.137(1) y = -2.884 dengan demikian.137 = 0. Variabel ini merupakan hasil dari perintah Probability pada kotak Save pada saat melakukan analisis multivariat. Nilai AUC adalah sebesar 74%. Bagaimanakah kualitas persamaan yang diperoleh.137 (hematokrit) y = -2.y = -2. probabilitasnya adalah: p = l/(l+e-y) = l/(1+2. baik dari segi diskriminasi maupun dan segi kalibrasi? a. Masukan angka 1 ke dalam value of State Variable.675 + 1. Nilai diskriminasi dapat diketahui dengan melihat nilai Area Under the Curve (AUC).  Proses sudah selesai. Lihatlah kembali data. persamaan yang diperoleh mempunyai kalibrasi yang baik.585. Nilai kalibrasi dapat dilihat dari Hosmer and Lameshow Test.  Pilih semua kotak yang terdapat pada menu Display. terdapat variabel baru yang bernama PRE_1.233 (1) + 1.884)) = 0.7-(0.  Masukan variabel PRE_1 ke dalam Test Variable.189 + 1.675 + 1. b.  Masukan syok_reg (kode 1 dan 0) ke dalam State Variable.6%. pilih ROC. Nilai p pada Hosmer and Lameshow Test adalah sebesar 0. Menilai kualitas persamaan yang diperoleh berdasarkan parameter kalibrasi. Pada kolom terakhir. dapat ditentukan secara klinis atau secara . Apakah nilai AUC ini cukup memuaskan? Memuaskan atau tidaknya nilai AUC. Klik OK. 8. probabilitas pasien untuk menderita syok adalah 70. Menilai kualitas persamaan yang diperoleh berdasarkan parameter diskriminasi.189 (perdarahan) + 1.189 (1) + 1. Artinya.  Pada output.233 (hepatomegali) + 1.233 + 1.  Pilih Graph. diperoleh hasil sebagai berikut. Langkah-langkah adalah sebagai berikut.675 + 1.

60% > 50% . maka penentuannya dapat dilakukan secara statistik.60% > 50% .statistik.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. interpretasi secara statistik adalah seperti yang tercantum pada tabel berikut. Apabila secara klinis peneliti tidak dapat menentukan nilai AUC minimal yang memuaskan.60% > 50% . Tabel 10. .3 Interpretasi nilai AUC Nilai AUC > 50% . peneliti yang menentukan berapa nilai AUC minimal yang dianggap memuaskan yang nilainya akan sangat bervariasi bergantung pada substansi yang diteliti. Pada umumnya.60% > 50% . Secara klinis.

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

Variabel tersebut adalah umur dan kreatinin serum. Interpretasi basil regresi linier.510 (kreatinin serum) Nilai konstanta dan nilai koefisien untuk variabel tersebut dapat dilihat pada kolom B. Klik OK.  Masukan semua vaniabel independen ke dalam Independent  Pilih metode Backward pada pilihan metode.  Masukan variabel bersihan kreatinin ke dalam Dependent.663 – 49.663 .510 (kreatinin serum) Contoh: . c. Analisis regresi linier dengan menggunakan SPSS. variabel yang pada analisis bivariat mempunyai nilai p < 0.  Klik Analyze  Regression  Linier.49.  Proses sudah selesai.  Pada output. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi. Bersihan kreatinin 118. 7. Bersihan kreatinin = 118.25. Analisis multivariat yang akan digunakan adalah regresi linier karena variabel terikatnya adalab variabel dengan skala peugukuran numerik 5. 6. b. Variabel yang akan dimasukkan ke dalam analisis regresi linier adalah. periksalah Coefficients. Aplikasi dan persamaan yang diperoleh adalah untuk memprediksi nilai bersihan kreatinin dengan rumus. Variabel yang dapat digunakan untuk memprediksi bersihan kreatinin adalah variabel kreatinin dengan korelasi sebesar -0.4.963 (lihat kolom beta). a.

3%.221 ml/menit Meniläi kualitas persamaan yang diperoleh. Kualitas persamaan hasil analisis regresi linier dapat dinilai dengan melihat hasil uji ANOVA dan Model Summary.663 – 49.510(1.663 – 49. Sebesar 7. BAB XII MENILAI SYARAT REGRESI LINER (1) Tujuan Pembaca mampu melakukan pengecekan syarat regresi liner dengan menggunakan SPSS dan melakukan interpretasi yang tepat.001. . kita bisa memprediksikan nilai bersihan kreatinin pasien tersebut. maka persamaan yang diperoleh semakin baik.05. Pada Model Summary. Suatu persamaan dikatakan layak untuk digunakan bila nilai p pada uji ANOVA < 0.7% sisanya. artinya persamaan yang diperoleh mampu menjelaskan bersihan kreatinin sebesar 92. nilai p adalah sebesar < 0. Adjusted R Square adalah sebesar 92. dijelaskan oleh variabel lain yang tidak diteliti.2 mg/dl. Semakin mendekati 100%. Dengan demikian. Berapakah prediksi nilai bersihan kreatinin pasien? Dengan menggunakan rumus di atas.3%.Kreatinin serum seorang pasien adalah sebesar 1. rumus yang digunakan layak untuk digunakan.2) = 59. Pada uji ANOVA ini. Nilai ini mempunyai arti berapa besar nilai (persen) persamaan yang diperoleh mampu menjelaskan bersihan kreatinin. Pada Model Summary di atas.510 (kreatinin serum) Bersihan kreatinin = 118. lihatlah nilai Adjusted R Square. Bersihan kreatinin = 118.

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

maka pada data terdapat variabel baru yang bernama PRE_1 (Unstandardized Predicted Value). Lakukan prosedur sebagaimana yang dilakukan pada Bab XI.8. Nilai Durbin Watson Konstan Autokorelasi sekitar 2.  Klik Analyze  Regression  Linier. RES_1 (Unstandardized Residual). Membuat scatter plot antara standardized residual dengan standardized predicted value Membuat korelasi antara variabel independen atau dengan collinierity diagnostic. Korelasi antara variabel independen harus < 0. Tambahan perintahnya adalah pada pilihan kotak Save. Pilihlah Unstandardized dan Standardized pada Predicted values dan Residual seperti gambar berikut.8. Uji normalitas mempunyai nilai p > 0.  Masukkan variabel kreatinin ke dalam Dependent. Korelasi residu dengan var independen harus < 0. marilah kita periksa satu-persatu apakah syarat regresi linier terpenuhi atau tidak: . ZPR_1 (Standardized Predicted Value). Nilai tollerance pada collinierity diagnostic > 0.05 Membuat statistik deskripsi dari residu. Klik Continue dan OK.  Klik kotak Save.  Masukkan semua variabel independen ke dalam Independent. Karena perintah save tadi. Perbedaannya adalah pada Data View dan Variable View. Mean residu harus = 0 Membuat korelasi antara residu dengan variabel independen atau dengan uji DurbinWatson.  Proses sudah selesai.  Pilih metode Backward pada pilihan metode.  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. dan ZRE_1 (Standardized Residual).normal Residu Residu-variabel independen Residu mempunyai Mean = 0 Independen harus berdistribusi normal. Dengan menggunakan variabel baru tersebut.4. Output yang diperoleh sama dengan output pada Bab XI.

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

Akan diperoleh hasil sebagai berikut. Lakukanlah langkahlangkah tersebut. Anda akan memperoleh hasil sebagai berikut.8 . terlihat bahwa scatter tidak membentuk pola tertentu. Klik OK. p > 0.8 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. Dengan demikian.05 Mean = 0 Korelasi residu dengan variabel independen < 0. Tabel 12. dapat kita simpulkan bahwa syarat regresi linier terpenuhi. Dari grafik tersebut.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. 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. Dengan melakukan prosedur pengujian syarat regresi linier di atas. syarat varian yang konstan terpenuhi.

Sign up to vote on this title
UsefulNot useful