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

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

Klik OK. baik skor ansietas maupun skor depresi mempunyai nilai p = 0.078.  Pilih uji Pearson pada kotak Correlation Coefficients.  Proses telah selesai. Oleh karena nilai p > 0.  Analyze  Correlate  Bivariate. 2.05.  Pilih Two tailed pada Test of Significance. Nilai korelasi Pearson sebesar 0.  Masukkan depresi dan ansietas ke dalam kotak variables.000 yang menunjukkan bahwa korelasi antara skor depresi dan skor ansietas adalah bermakna. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi normal. Interpretasi Dari hasil di atas. Melakukan uji Pearson Untuk melakukan uji Pearson. 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. lakukanlah langkah-langkah berikut. diperoleh nilai sig 0.862 menunjukkan korelasi positif dengan kekuatan korelasi yang sangat kuat. LATIHAN 2 UJI KORELASI SPEARMAN (HIPOTESIS KORELATIF NUMERIK DISTRIBUSI TIDAK NORMAL) Kasus : Anda ingin mengetahui korelasi antara skor gangguan somatik dengan skor gangguan sosial.Pada uji Test of Normality Kolmogorov-Smirnov. Hasil yang diperoleh adalah sebagai berikut. .

1. 3.5 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. Uji normalitas  Bukalah file spearman  Lihat terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada. Jika distribusi data hasil transformasi tidak normal. Bila memenuhi syarat (distribusi data normal). Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : gangguan sosial (numerik) Korelatif Numerik 1. Uji yang digunakan adalah uji korelasi Pearson (uji parametrik).  Lakukanlah uji normalitas untuk data variabel somatic dan variabel social. Interpretasi . Jika tidak memenuhi syarat. 2.Bagaimana melakukan uji korelasi dengan SPSS? Langkahnya adalah sebagai berikut. Bila tidak memenuhi syarat (distribusi data tidak normal). maka dipilih uji alternatifnya pilih uji korelasi Spearman. maka digunakan uji alternatif yaitu uji korelasi Spearman (uji nonparametrik) 1. maka Anda akan mendapatkan hasil sebagai berikut. maka dipilih uji korelasi Pearson. Bagaimakah hasilnya? Bila Anda melakukan prosedur dengan benar. Bila distribusi data hasil transformasi normal. 5. Tabel 7. 3. maka dipilih uji korelasi Pearson. 4. jika memenuhi syarat. Memeriksa syarat uji parametrik : distribusi data harus normal (wajib). maka diupayakan untuk melakukan transformasi data supaya distribusi menjadi normal.

Oleh karena nilai p < 0. Bagian pertama adalah statistik deskriptif untuk variabel somativ complaint dan skor social problem. b. Menguji hasil transformasi 4. Anda menggunakan hasil uji Kolmogorov-Smirnov untuk menguji apakah distribusi data normal atau tidak. baik skor somatic complaint maupun skor social problem mempunyai nilai p = 0.  Proses telah selesai. Pada uji Test of Normality Kolmogorov-Smirnov. 2. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi tidak normal.000. Melakukan transformasi 3.000 yang menunjukkan bahwa korelasi antara gangguan somatik dengan gangguan sosial adalah bermakna.  Pilih Two tailed pada Test of Significance.  Analyze  Correlate  Bivariate. Klik OK.a. Nilai korelasi Spearman sebesar 0. LATIHAN 3 UJI KORELASI GAMMA DAN SOMERS’D (HIPOTESIS KORELATIF ORDINAL TABEL B X K) . Interpretasi Dari hasil di atas. Melakukan uji Spearman Untuk melakukan uji Spearman.  Pilih uji Spearman pada kotak Correlation Coefficients.05. Sebagaimana kesepakatan. Hasil yang diperoleh adalah sebagai berikut. lakukanlah langkah-langkah berikut.  Masukkan somatic dan social ke dalam kotak Variables. diperoleh nilai Significancy 0. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi variabel sebelum melangkah pada proses selanjutnya.351 menunjukkan bahwa arah korelasi positif dengan kekuatan korelasi yang lemah.

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

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

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

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

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

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

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

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

homogenitas. independensi. . Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai R2 semakin mendekati angka 1. Kualitas dan rumus yang diperoleh pada regresi linier dinilai dengan melihat nilai diskriminasi dengan melihat nilai R2 dan kalibrasinya dengan melihat hasil uji ANOVA.4. normalitas. Pada regresi linier terdapat asumsi linieritas. Menilai syarat atau asumsi. Suatu rumus dikatakan mempunyai kalibrasi yang baik apabila nilai p pada uji ANOVA < 0. 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. 5. Menilai kualitas dari rumus yang diperoleh dari analisis multivariat. Pada analisis regresi logistik.05.05 pada uji Hosmer and Lameshow. dan multikolinieriti. Suatu rumus dikatakan mempunyai kalibrasi yang baik jika mempunyai nilai p > 0. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai AUG semakin mendekati angka 1.

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

 Klik Crosstabs. Besarnya kekuatan hubungan diketahui dari parameter nilai RO karena desain yang digunakan adalah kasus kontrol. Korelasi yang digunakan adalah RO (lihat baris pertama pada risk estimate) yaitu sebesar 3. hanya 26.55 dapat juga diinterpretasikan bahwa probabilitas pasien yang mengalami hepatomegali untuk menderita syok adalah sebesar 78%. Sedangkan dari semua pasien yang tidak syok.001.  Buka file data_rasioodds. 2.55 kali untuk mengalami syok dibandingkan dengan pasien yang tidak hepatomegali Nilai RO sebesar 3. Interpretasj 1.  Klik kotak Cell. yaitu uji Fisher.55 dengan IK 95% 1. 3.akan digunakan uji alternatifnya. Akan didapatkan hasil sebagai berikut.  Masukkan syok ke dalam Column.3% mengalami hepatomegali.  Klik Continue dan OK. pasien dengan hepatomegali mempunyai kemungkinan 3. Dari semua pasien yang menderita syok. pilih Chi-Square di sebelah kiri atas dan Risk di kanan bawah.  Klik kotak Statistic. sebanyak 56. Artinya. .  Klik Descriptive statistics.91 Artinya.59-7. Uji hipotesis yang digunakan adalah uji Chi-Square.6% yang mengalami hepatomegali. Perbedaannya adalah pada pilihan risk yang harus dipilih untuk mendapatkan nilai RO.  Klik Analyze. Langkah-langkah uji hipotesis dan memperoleh nilai OR dengan menggunakan SPSS sama dengan apa yang sudah dibahas pada Bab V. pilih Column pada Percentages.  Masukkan hepatomegali ke dalam Row(s). secara statistik terdapat hubungan yang bermakna antara hepatomegali dengan syok. dengan nilai p sebesar 0.

bila RO = 1. dan d dapat diketahui dengan melihat tabel berikut. Variabel terikat Total Kolom kiri (ya) Kolom kanan (tidak) Faktor Risiko Hepatomegali Kategori bawah (tidak) Kategori atas (ya) . c. Cobalah hitung nilai RO dan RR dari tabel di atas secara manual! Nilai a. maka probabilitas = 66. Syok Hepatomegali Ya Tidak Total Ya a c a+c Tidak b d b+d Total a+b c+d N 2. Rumus nilai RO adalah ad/bc sementara rumus nilai RR adalah a/(a+b) : c/(c+d).55. Perbandingan kemungkinan kategori atas dibandingkan dengan kategori bawah untuk mengalami kolom kiri adalah sebesar ??? Pada kasus di atas. b. maka probabilitas = 75% bila RO = 3. yaitu dengan rumus: P = RO/(1÷RO) Dengan demikian. maka probabilitas = 50% bila RO = 2. Rumus umum untuk membaca RO dan RR adalah sebagai berikut.Dari manakah angka 78% diperoleh? Probabilitas dapat dihitung apabila kita mengetahui berapa besar nilai RO-nya.55 maka probabilitas = 78% Beberapa catatan: 1. kemungkinan kategori atas (hepatomgali) dibandingkan dengan kategori bawah (tidak hepatomegali) untuk mengalami kolom kiri (syok) adalah sebesar 3.6% bila RO = 3. Besar nilai RO dan RR bisa dihitung secara manual.

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

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

syok_reg 3. negatif 1.terhadap syok? Bagaimana kekuatan hubungannya? b. . apa persamaan yang diperoleh? c. bagaimana aplikasi dan persamaan yang diperoleh untuk memprediksi probabilitas syok pada pasien 8. Perempuan 1. jenis kelamin 4. variabel apa saja yang berpengaruh. hepatomegali 2. Analisis multivariat apa yang akan digunakan? 5. ≤ 50. Bagaimanakah kualitas persamaan yang diperoleh baik diskriminasi maupun dari segi kalibrasi? Marilah kita jawab pertanyaan di atas satu demi satu. Parameter kekuatan hubungan apa yang digunakan? 3. hematrokit 7. ya 0. ya 2. tidak 1. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? 6. tidak 1. Uji hipotesis apa yang akan digunakan pada analisis bivariat? Bagaimana hasil analisis bivariat tersebut? 2. tidak Kategorik Kategorik Kategorik Kategorik Kategorik Kategorik Keterangan: Pada data di atas terdapat dua variable syok dengan kode yang berbeda.000 / µl 1.000 / µl 2. ≤ 42% 1. ≥ 50.2. Laki-laki 2. positif 2. perdarahan 5. ≥ 42% 2. 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. Pertanyaan: 1. Lakukanlah analisis multivariat dengan menggunakan SPSS! 7. Lakukanlah analisis bivariat dengan menggunakan SPSS! 4. Setelah dilakukan analisis multivariat: a. trombosit 6.

. Parameter kekuatan hubungan apa yang digunakan? Parameter kekuatan bubunan yang digunakan adalah nilai rasio odds (RO) karena penelitian menggunakan desain kasus kontrol. dan hematokri. Analisis multivariat apa yang akan digunakan? Analisis multivariat yang akan digunakan adalah regresi logistik karena variabel terikatnya adalah variabel kategorik dikotom. 3. yang berarti pembanding. Untuk perdarahan. yang dijadikan sebagai pembanding adalah kategori yang dianggap tidak berisiko. trombosit. 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. 6.25. Hepatomegali. pembandingnya adalah perempuan. Pada umumnya. artinya kita membandingkan pasien yang mengalami perdarahan terhadap pasien yang tidak mengalami perdarahan. artinya kita membandingkan laki-laki terhadap perempuan.2 Analisis bivariat variabel jenis kelamin.1. hematokrit. 4. dan trombosit. 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 jenis kelamin. Apakah hasil yang Anda peroleh sama dengan tabel berikut? Tabel 10. hepatomegali. Lakukanlah analisis regrësi logistik dengan menggunakan SPSS!  Klik Analiyze  Regression  Binary logistic. 5. Variabel tersebut adalah perdarahan. perdarahan. 2. pembandingnya adalah tidak perdarahan. 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. dengan syok Kata ref pada tabel di atas adalah singkatan dan referensi.

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

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

7-(-2. y = -2. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut. probabilitas pasien untuk menderita syok adalah 6.189 (0) + 1.137 (0) y = -2. y = -2. Perdarahan bernilai 1 jika “ya” dan bernilai 0 jika “tidak”.b. Nilai variabel bebas dapat dilihat pada Categorical Variable Coding.7 y = konstanta + a1x1 + a2x2 + … + aixi a = nilai koefisien tiap variabel x = nilai variabel bebas Contoh 1 Seorang pasien DBD dirawat tanpa perdarahan.137 (hematokrit) y = -2.675) = 0.233 (hepatomegali) + 1. Hepatomegali bernilai 1 jika “ya” dan bernilai 0 jika “tidak”.065 Dengan demikian.72. tidak mengalami hepatomegali. probabilitasnya adalah: p = 1/(1+e-y) = 1/(1+2.5%. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi. 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 = 2.233 (0) + 1.675 + 1. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut. dan hematokrit > 42%. . c. Contoh 2 Seorang pasien DBD dirawat dengan perdarahan.675 dengan demikian. Hematokrit bernilai 1 jika “> 42%” dan bernilai 0 jika “d ≤ 42%”.189 (perdarahan) + 1.233 (hepatomegali) + 1.675 + 1. mengalami hepatomegali.675 + 1.137 (hematokrit) Nilai konstanta dan nilai koefisien untuk setiap variabel tersebut dapat dilihat pada kolom B.675)) = 1/(1+2.189 (perdarahan) + 1. dan hematokrit ≤ 42%.

y = -2. Bagaimanakah kualitas persamaan yang diperoleh. probabilitas pasien untuk menderita syok adalah 70.  Pada output.884 dengan demikian. diperoleh hasil sebagai berikut. b.189 + 1. Apakah nilai AUC ini cukup memuaskan? Memuaskan atau tidaknya nilai AUC.  Masukan syok_reg (kode 1 dan 0) ke dalam State Variable.675 + 1. Variabel ini merupakan prediksi terjadinya syok pada masing-masing subjek penelitian yang berguna untuk melihat nilai diskriminasi persamaan dengan metode ROC.189 (1) + 1.137 (hematokrit) y = -2.675 + 1.7-(0.137 = 0.  Masukan variabel PRE_1 ke dalam Test Variable.6%. Variabel ini merupakan hasil dari perintah Probability pada kotak Save pada saat melakukan analisis multivariat. baik dari segi diskriminasi maupun dan segi kalibrasi? a. Menilai kualitas persamaan yang diperoleh berdasarkan parameter diskriminasi.233 (hepatomegali) + 1.189 (perdarahan) + 1. 8. Langkah-langkah adalah sebagai berikut. probabilitasnya adalah: p = l/(l+e-y) = l/(1+2. Artinya. Lihatlah kembali data. Menilai kualitas persamaan yang diperoleh berdasarkan parameter kalibrasi. Nilai diskriminasi dapat diketahui dengan melihat nilai Area Under the Curve (AUC). Nilai kalibrasi dapat dilihat dari Hosmer and Lameshow Test.233 (1) + 1.  Pilih Graph.137(1) y = -2. Nilai p pada Hosmer and Lameshow Test adalah sebesar 0. Klik OK. Masukan angka 1 ke dalam value of State Variable.884)) = 0.  Proses sudah selesai. terdapat variabel baru yang bernama PRE_1. persamaan yang diperoleh mempunyai kalibrasi yang baik.675 + 1.585. Pada kolom terakhir.  Pilih semua kotak yang terdapat pada menu Display.706 Dengan demikian. pilih ROC. dapat ditentukan secara klinis atau secara . Nilai AUC adalah sebesar 74%.233 + 1.

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

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

Analisis multivariat yang akan digunakan adalah regresi linier karena variabel terikatnya adalab variabel dengan skala peugukuran numerik 5. c.  Proses sudah selesai.49.  Klik Analyze  Regression  Linier. 7. Bersihan kreatinin = 118. Bersihan kreatinin 118. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi.963 (lihat kolom beta). periksalah Coefficients.4. variabel yang pada analisis bivariat mempunyai nilai p < 0.25.663 – 49.  Masukan semua vaniabel independen ke dalam Independent  Pilih metode Backward pada pilihan metode. b. Analisis regresi linier dengan menggunakan SPSS. Klik OK. Variabel yang dapat digunakan untuk memprediksi bersihan kreatinin adalah variabel kreatinin dengan korelasi sebesar -0.  Pada output. 6. Interpretasi basil regresi linier. Variabel yang akan dimasukkan ke dalam analisis regresi linier adalah. Aplikasi dan persamaan yang diperoleh adalah untuk memprediksi nilai bersihan kreatinin dengan rumus. a.  Masukan variabel bersihan kreatinin ke dalam Dependent.663 .510 (kreatinin serum) Nilai konstanta dan nilai koefisien untuk variabel tersebut dapat dilihat pada kolom B.510 (kreatinin serum) Contoh: . Variabel tersebut adalah umur dan kreatinin serum.

kita bisa memprediksikan nilai bersihan kreatinin pasien tersebut.510(1. Adjusted R Square adalah sebesar 92. BAB XII MENILAI SYARAT REGRESI LINER (1) Tujuan Pembaca mampu melakukan pengecekan syarat regresi liner dengan menggunakan SPSS dan melakukan interpretasi yang tepat. Pada Model Summary.2) = 59. nilai p adalah sebesar < 0.2 mg/dl. lihatlah nilai Adjusted R Square. rumus yang digunakan layak untuk digunakan. Suatu persamaan dikatakan layak untuk digunakan bila nilai p pada uji ANOVA < 0.3%.001.7% sisanya. Bersihan kreatinin = 118.05. Kualitas persamaan hasil analisis regresi linier dapat dinilai dengan melihat hasil uji ANOVA dan Model Summary. maka persamaan yang diperoleh semakin baik. .221 ml/menit Meniläi kualitas persamaan yang diperoleh.3%.Kreatinin serum seorang pasien adalah sebesar 1. Nilai ini mempunyai arti berapa besar nilai (persen) persamaan yang diperoleh mampu menjelaskan bersihan kreatinin.663 – 49. Semakin mendekati 100%.510 (kreatinin serum) Bersihan kreatinin = 118. Dengan demikian.663 – 49. dijelaskan oleh variabel lain yang tidak diteliti. Berapakah prediksi nilai bersihan kreatinin pasien? Dengan menggunakan rumus di atas. Pada uji ANOVA ini. Pada Model Summary di atas. artinya persamaan yang diperoleh mampu menjelaskan bersihan kreatinin sebesar 92. Sebesar 7.

510*a + residu Dalam bahasa matematika yang umum lagi. Bersihan kreatinin = 118. Penjelasan lainnya ini sering kali disebut dengan istilah residu atau error. Apabila syarat regresi linier terpenuhi. yaitu mengecek apakah syarat regresi linier terpenuhi atau tidak. bagaimana melakukan interpretasi. Syarat regresi linier dibahas setelah pembahasan regresi linier adalah untuk memudahkan pemahaman. y = β0 + β1a + residu Bila terdapat banyak variabel independen. bahasa matematikanya adalah : y = β0 + β1a1 + β2a2 + β3a3 + . maka kita bisa melakukan regresi linier.Pada Bab XI telah diuraikan bagaimana melakukan uji regresi linier. sehigga rumus yang lengkap adalah sebagai berikut.663 – 49. Dalam bahasa matematika. kita perlu memahami logika persamaan regresi linier terlebih dahulu. persamaan tersebut ditulis: Y = 118.510(kreatinin serum) Kita mengetahui bahwa kreatinin serum bukanlah satu-satunya variabel yang bisa memprediksikan bersihan kreatinin. Pada Bab XI. Syarat regresi linier dapat diketahui dari persamaanya. kita telah mendapatkan persamaan regresi sebagai berikut. + residu Tabel 12. Membuat grafik histogram dari residu atau dengan uji normalitas.510(kreatinin serum) + penjelasan lainnya. dan menilai kualitas hasil yang diperoleh.663 – 49.663 – 49. Histogram dari residu dependen harus linier Residu mempunyai distribusi yang .. Bersihan kreatinin = 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. Sebenarnya. Scatter harus berada di sekitar garis diagonal. Memahami logika persamaan regresi Untuk memahami syarat regresi linier. ada satu tahap yang harus dilakukan pada analisis regresi linier.

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

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

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

Sign up to vote on this title
UsefulNot useful