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

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

 Pilih Two tailed pada Test of Significance. baik skor ansietas maupun skor depresi mempunyai nilai p = 0. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi normal.  Pilih uji Pearson pada kotak Correlation Coefficients.000 yang menunjukkan bahwa korelasi antara skor depresi dan skor ansietas adalah bermakna. Hasil yang diperoleh adalah sebagai berikut.05. Melakukan uji Pearson Untuk melakukan uji Pearson. Oleh karena nilai p > 0.  Proses telah selesai. diperoleh nilai sig 0. . lakukanlah langkah-langkah berikut. LATIHAN 2 UJI KORELASI SPEARMAN (HIPOTESIS KORELATIF NUMERIK DISTRIBUSI TIDAK NORMAL) Kasus : Anda ingin mengetahui korelasi antara skor gangguan somatik dengan skor gangguan sosial.078.862 menunjukkan korelasi positif dengan kekuatan korelasi yang sangat kuat. 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.  Masukkan depresi dan ansietas ke dalam kotak variables.Pada uji Test of Normality Kolmogorov-Smirnov. Nilai korelasi Pearson sebesar 0.  Analyze  Correlate  Bivariate. 2. Interpretasi Dari hasil di atas. Klik OK.

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

 Masukkan somatic dan social ke dalam kotak Variables. Sebagaimana kesepakatan. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi variabel sebelum melangkah pada proses selanjutnya.000. Nilai korelasi Spearman sebesar 0. 2. Melakukan uji Spearman Untuk melakukan uji Spearman. Klik OK. Melakukan transformasi 3. Hasil yang diperoleh adalah sebagai berikut. LATIHAN 3 UJI KORELASI GAMMA DAN SOMERS’D (HIPOTESIS KORELATIF ORDINAL TABEL B X K) .  Pilih uji Spearman pada kotak Correlation Coefficients. baik skor somatic complaint maupun skor social problem mempunyai nilai p = 0.  Proses telah selesai.351 menunjukkan bahwa arah korelasi positif dengan kekuatan korelasi yang lemah.  Pilih Two tailed pada Test of Significance.  Analyze  Correlate  Bivariate. Interpretasi Dari hasil di atas.a. Bagian pertama adalah statistik deskriptif untuk variabel somativ complaint dan skor social problem. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi tidak normal. b. lakukanlah langkah-langkah berikut. Anda menggunakan hasil uji Kolmogorov-Smirnov untuk menguji apakah distribusi data normal atau tidak. Pada uji Test of Normality Kolmogorov-Smirnov. Menguji hasil transformasi 4.000 yang menunjukkan bahwa korelasi antara gangguan somatik dengan gangguan sosial adalah bermakna.05. diperoleh nilai Significancy 0. Oleh karena nilai p < 0.

.  Analyze  Descriptive Statistics  Crosstabs. 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 3.6 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. baik) dengan mutu pelayanan rumah sakit (buruk. Gamma dan Somers’d. 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. Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : sakit (kategorik ordinal) Korelatif Kategorik ordinal 1.  Masukkan variabel p4 ke dalam Columns. Pelajari terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada pada file tersebut. sedang. yaitu korelasi Spearman. baik). 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. Terdapat tiga pilihan uji korelasi. Lakukanlah langkah-langkah sebagai berikut. Tabel 7.  Masukkan variabel p3 ke dalam rows. 3.

Anda merumuskan pertanyaan penelitian sebagai berikut : “Apakah terdapat korelasi antara perilaku merokok dengan status fertilitas seorang pria?” . Output pertama (crosstab) menyajikan tabel silang antara mutu pelayanan keperawatan dengan mutu layanan rumah sakit. Aktifkan kotak Statistics. LATIHAN 4 UJI KORELASI KOEFISIEN KONTINGENSI DAN LAMBDA (HIPOTESIS KORELATIF DAN KATEGORIK) Kasus: Anda ingin mengetahui korelasi antara perilaku merokok (merokok dan tidak merokok) dengan status fertilitas seorang pria (tidak subur dan subur). Klik OK. Bagaimanakah hasilnya? Interpretasi 1.  Pilih Gamma dan Somers’d. Hasil uji Somers’d Anda pakai jika salah satu variabel Anda anggap sebagai variabel bebas sedangkan variabel yang lain sebagai variabel tergantung.052 yang menunjukkan bahwa korelasi sangat lemah. 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.  Proses telah selesai.028 yang menunjukkan bahwa korelasinya sangat lemah. 2. Pada uji Gamma diperoleh nilai korelasi sebesar 0. Output kedua (directional measures) menyajikan hasil uji Somers’d. Anda membaca bahwa besar korelasinya adalah 0. Output ketiga (symmetric measures) menyajikan hasil uji Gamma. Jika Anda menganggap bahwa mutu pelayanan rumah sakit sebagai variabel bebas. 3.

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

b. Jika Anda menganggap bahwa status fertilitas sebagai variabel terikat. c. . Output pertama menggambarkan tabel silang antara perilaku merokok dengan status fertilitas. Output kedua menyajikan hasil uji Lambda. Anda membaca bahwa besar korelasinya adalah 0.222 yang menunjukkanbahwa korelasinya lemah. maka nilai yang Anda pergunakan adalah hasil uji Lambda baris kedua. Hasil uji Lambda Anda pakai jika salah satu variabel Anda anggap sebagai variabel bebas sedangkan variabel yang lain sebagai variabel terikat.Output SPSS Interpretasi hasil a.

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

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

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

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

Suatu rumus dikatakan mempunyai kalibrasi yang baik jika mempunyai nilai p > 0. Suatu rumus dikatakan mempunyai kalibrasi yang baik apabila nilai p pada uji ANOVA < 0. Menilai syarat atau asumsi. Kualitas dan rumus yang diperoleh pada regresi linier dinilai dengan melihat nilai diskriminasi dengan melihat nilai R2 dan kalibrasinya dengan melihat hasil uji ANOVA. Diskriminasi dinilai dengan melihat nilai Area Under Curve (AUC) dengan metode Receiver Operating Curve (ROC) sementara kalibrasi dengan metode Hosmer and Lameshow.05. homogenitas. 5.4. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai AUG semakin mendekati angka 1. . Pada analisis regresi logistik. independensi. dan multikolinieriti. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai R2 semakin mendekati angka 1. Pada regresi linier terdapat asumsi linieritas. Menilai kualitas dari rumus yang diperoleh dari analisis multivariat. normalitas. kualitas rumus yang diperoleh dinilai dengan melihat kemampuan diskriminasi dan kalibrasi.05 pada uji Hosmer and Lameshow.

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

Artinya. Akan didapatkan hasil sebagai berikut.  Klik Continue dan OK. Dari semua pasien yang menderita syok.akan digunakan uji alternatifnya. 2.55 kali untuk mengalami syok dibandingkan dengan pasien yang tidak hepatomegali Nilai RO sebesar 3.55 dengan IK 95% 1. pilih Chi-Square di sebelah kiri atas dan Risk di kanan bawah. Korelasi yang digunakan adalah RO (lihat baris pertama pada risk estimate) yaitu sebesar 3.  Klik kotak Cell.  Klik Analyze.6% yang mengalami hepatomegali. Perbedaannya adalah pada pilihan risk yang harus dipilih untuk mendapatkan nilai RO. Langkah-langkah uji hipotesis dan memperoleh nilai OR dengan menggunakan SPSS sama dengan apa yang sudah dibahas pada Bab V. Uji hipotesis yang digunakan adalah uji Chi-Square. .55 dapat juga diinterpretasikan bahwa probabilitas pasien yang mengalami hepatomegali untuk menderita syok adalah sebesar 78%. yaitu uji Fisher. sebanyak 56. pilih Column pada Percentages. 3.  Klik Crosstabs.91 Artinya. hanya 26.  Masukkan syok ke dalam Column. pasien dengan hepatomegali mempunyai kemungkinan 3.59-7.  Klik Descriptive statistics.  Masukkan hepatomegali ke dalam Row(s). Interpretasj 1. Sedangkan dari semua pasien yang tidak syok.  Klik kotak Statistic.3% mengalami hepatomegali.001. Besarnya kekuatan hubungan diketahui dari parameter nilai RO karena desain yang digunakan adalah kasus kontrol.  Buka file data_rasioodds. secara statistik terdapat hubungan yang bermakna antara hepatomegali dengan syok. dengan nilai p sebesar 0.

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

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

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

tidak 1. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? 6. . Parameter kekuatan hubungan apa yang digunakan? 3. ≥ 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. Uji hipotesis apa yang akan digunakan pada analisis bivariat? Bagaimana hasil analisis bivariat tersebut? 2. Laki-laki 2. Perempuan 1. Lakukanlah analisis multivariat dengan menggunakan SPSS! 7. trombosit 6. ya 2. hepatomegali 2.terhadap syok? Bagaimana kekuatan hubungannya? b. Setelah dilakukan analisis multivariat: a. apa persamaan yang diperoleh? c.000 / µl 2. Pertanyaan: 1. variabel apa saja yang berpengaruh. Lakukanlah analisis bivariat dengan menggunakan SPSS! 4. positif 2. ≤ 42% 1. Analisis multivariat apa yang akan digunakan? 5.2. tidak 1. syok_reg 3. perdarahan 5. hematrokit 7. negatif 1. tidak Kategorik Kategorik Kategorik Kategorik Kategorik Kategorik Keterangan: Pada data di atas terdapat dua variable syok dengan kode yang berbeda. ≤ 50. bagaimana aplikasi dan persamaan yang diperoleh untuk memprediksi probabilitas syok pada pasien 8. ya 0. jenis kelamin 4. Bagaimanakah kualitas persamaan yang diperoleh baik diskriminasi maupun dari segi kalibrasi? Marilah kita jawab pertanyaan di atas satu demi satu. ≥ 50.000 / µl 1.

trombosit. Lakukanlah analisis bivariat dengan menggunakan SPSS! Lakukanlah analisis Chi-Square dan carilah nilai RO-nya untuk tiap-tiap variabel sebagaimana dapat dilihat pada Bab V dan Bab IX. hepatomegali. 3.25. Untuk jenis kelamin. Hepatomegali. Variabel tersebut adalah perdarahan. 6. perdarahan. dan hematokri. Parameter kekuatan hubungan apa yang digunakan? Parameter kekuatan bubunan yang digunakan adalah nilai rasio odds (RO) karena penelitian menggunakan desain kasus kontrol. dengan syok Kata ref pada tabel di atas adalah singkatan dan referensi. Apakah hasil yang Anda peroleh sama dengan tabel berikut? Tabel 10.1.2 Analisis bivariat variabel jenis kelamin. . Pada umumnya. pembandingnya adalah tidak perdarahan. yang dijadikan sebagai pembanding adalah kategori yang dianggap tidak berisiko. 4. hematokrit. yang berarti pembanding. 5. artinya kita membandingkan laki-laki terhadap perempuan. Lakukanlah analisis regrësi logistik dengan menggunakan SPSS!  Klik Analiyze  Regression  Binary logistic. artinya kita membandingkan pasien yang mengalami perdarahan terhadap pasien yang tidak mengalami perdarahan. dan trombosit. 2. 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. pembandingnya adalah perempuan. Untuk perdarahan. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? Variabel yang akan dimasukkan ke dalam analisis regresi logistik adalah variabel yang pada analisis bivariat mempunyai nilai p < 0. Analisis multivariat apa yang akan digunakan? Analisis multivariat yang akan digunakan adalah regresi logistik karena variabel terikatnya adalah variabel kategorik dikotom.

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

Dengan metode backward. dan hematokrit. Pada angkah pertama ini. terdapat dua langkah untuk sampai pada hasil akhir. Perhatikan bahwa pada saat mengisi data. Pada Dependent Variable Encoding. Variabel yang berpengaruh terhadap syok adalah perdarahan. Kekuatan hubungan dapat dilihat dari nilai OR (EXP{B}). kategori tersebut mempunyai kode 2 akan tetapi. 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. dimasukkan semua variabel. 7. hepatomegali. Perhatikan bahwa pada saat mengisi data. kategori yang akan diprediksikan harus diberi kode 1.Dependent Variable Encoding dan Categorical Variables Coding dilihat untuk memeriksa kembali apakah sistem pengkodean sudah benar. tidak syok diberi kode 0. kode tersebut diganti menjadi 1. Interpretasi hasil regresi logistik a.000/µl. dan perdarahan (ya) diberi kode 1. Akan tetapi. Pada langkah pertama. Kekuatan hubungan dari yang terbesar ke yang terkecil adalah hepatomegali (OR = 3. hepatomegali (ya). kategori tersebut mempunyai kode 1. Variables in the Equation untuk melihat hasil akhir analisis multivariat. kita melakukan prosedur categorical dan seterusnya. . kode tersebut diganti menjadi 0. dan perdarahan (tidak) diberi kode 0. hepatomegali (tidak). perdarahan (RO = 3. Perubahan kode ini secara otomatis dilakukan oleh software karena pada saat melakukan perintah analisis regresi logistik. sementara syok diberi kode 1.11). Kategori hematokrit > 42%. Pada Categorical Variables Codings.000/µl. pada saat analisis regresi logistik. dan hematokrit (OR = 3.43).28). hematokrit ≤ 42%. pada saat analisis regresi logistik. Hal ini sudah benar karena pada regresi logistik. trombosit < 50. trombosit > 50.

Contoh 2 Seorang pasien DBD dirawat dengan perdarahan.675 dengan demikian.5%. Nilai variabel bebas dapat dilihat pada Categorical Variable Coding. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut.137 (hematokrit) y = -2. Hepatomegali bernilai 1 jika “ya” dan bernilai 0 jika “tidak”. Hematokrit bernilai 1 jika “> 42%” dan bernilai 0 jika “d ≤ 42%”.189 (perdarahan) + 1.189 (perdarahan) + 1. dan hematokrit > 42%. y = -2. y = -2.137 (0) y = -2. 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 = 2.7 y = konstanta + a1x1 + a2x2 + … + aixi a = nilai koefisien tiap variabel x = nilai variabel bebas Contoh 1 Seorang pasien DBD dirawat tanpa perdarahan.065 Dengan demikian. dan hematokrit ≤ 42%.675)) = 1/(1+2. Perdarahan bernilai 1 jika “ya” dan bernilai 0 jika “tidak”.675 + 1.189 (0) + 1. c.675 + 1. probabilitasnya adalah: p = 1/(1+e-y) = 1/(1+2.137 (hematokrit) Nilai konstanta dan nilai koefisien untuk setiap variabel tersebut dapat dilihat pada kolom B.7-(-2.233 (0) + 1. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi. mengalami hepatomegali.675) = 0.233 (hepatomegali) + 1.b.675 + 1. probabilitas pasien untuk menderita syok adalah 6. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut.233 (hepatomegali) + 1. tidak mengalami hepatomegali. .72.

233 (hepatomegali) + 1. b.137 (hematokrit) y = -2.  Masukan syok_reg (kode 1 dan 0) ke dalam State Variable.  Pada output.189 (1) + 1. Bagaimanakah kualitas persamaan yang diperoleh. diperoleh hasil sebagai berikut. 8.884 dengan demikian. Masukan angka 1 ke dalam value of State Variable. Menilai kualitas persamaan yang diperoleh berdasarkan parameter kalibrasi. Nilai p pada Hosmer and Lameshow Test adalah sebesar 0.884)) = 0. Variabel ini merupakan hasil dari perintah Probability pada kotak Save pada saat melakukan analisis multivariat. Artinya. Nilai kalibrasi dapat dilihat dari Hosmer and Lameshow Test.137(1) y = -2. pilih ROC. Nilai diskriminasi dapat diketahui dengan melihat nilai Area Under the Curve (AUC).233 + 1. Variabel ini merupakan prediksi terjadinya syok pada masing-masing subjek penelitian yang berguna untuk melihat nilai diskriminasi persamaan dengan metode ROC.7-(0.675 + 1. dapat ditentukan secara klinis atau secara .675 + 1.675 + 1.706 Dengan demikian.  Proses sudah selesai.137 = 0. probabilitas pasien untuk menderita syok adalah 70. probabilitasnya adalah: p = l/(l+e-y) = l/(1+2. Lihatlah kembali data. terdapat variabel baru yang bernama PRE_1.y = -2. Nilai AUC adalah sebesar 74%. Pada kolom terakhir.6%. baik dari segi diskriminasi maupun dan segi kalibrasi? a.189 (perdarahan) + 1.585. Menilai kualitas persamaan yang diperoleh berdasarkan parameter diskriminasi. Klik OK. persamaan yang diperoleh mempunyai kalibrasi yang baik.  Masukan variabel PRE_1 ke dalam Test Variable. Apakah nilai AUC ini cukup memuaskan? Memuaskan atau tidaknya nilai AUC.  Pilih semua kotak yang terdapat pada menu Display.189 + 1. Langkah-langkah adalah sebagai berikut.233 (1) + 1.  Pilih Graph.

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

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

 Masukan variabel bersihan kreatinin ke dalam Dependent.663 . Bersihan kreatinin 118.4. Klik OK.663 – 49. 7. Analisis multivariat yang akan digunakan adalah regresi linier karena variabel terikatnya adalab variabel dengan skala peugukuran numerik 5.963 (lihat kolom beta). Bersihan kreatinin = 118. b. Variabel yang dapat digunakan untuk memprediksi bersihan kreatinin adalah variabel kreatinin dengan korelasi sebesar -0.  Pada output.510 (kreatinin serum) Nilai konstanta dan nilai koefisien untuk variabel tersebut dapat dilihat pada kolom B.510 (kreatinin serum) Contoh: . Analisis regresi linier dengan menggunakan SPSS. 6. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi. Variabel tersebut adalah umur dan kreatinin serum.  Proses sudah selesai. periksalah Coefficients.25. a.49.  Klik Analyze  Regression  Linier. Variabel yang akan dimasukkan ke dalam analisis regresi linier adalah. Aplikasi dan persamaan yang diperoleh adalah untuk memprediksi nilai bersihan kreatinin dengan rumus. Interpretasi basil regresi linier. c.  Masukan semua vaniabel independen ke dalam Independent  Pilih metode Backward pada pilihan metode. variabel yang pada analisis bivariat mempunyai nilai p < 0.

Kualitas persamaan hasil analisis regresi linier dapat dinilai dengan melihat hasil uji ANOVA dan Model Summary.05. Berapakah prediksi nilai bersihan kreatinin pasien? Dengan menggunakan rumus di atas. Bersihan kreatinin = 118. Dengan demikian. dijelaskan oleh variabel lain yang tidak diteliti. artinya persamaan yang diperoleh mampu menjelaskan bersihan kreatinin sebesar 92. Semakin mendekati 100%. Pada Model Summary.7% sisanya.3%. .221 ml/menit Meniläi kualitas persamaan yang diperoleh.663 – 49. nilai p adalah sebesar < 0. Pada uji ANOVA ini. BAB XII MENILAI SYARAT REGRESI LINER (1) Tujuan Pembaca mampu melakukan pengecekan syarat regresi liner dengan menggunakan SPSS dan melakukan interpretasi yang tepat.001.3%.Kreatinin serum seorang pasien adalah sebesar 1. rumus yang digunakan layak untuk digunakan. kita bisa memprediksikan nilai bersihan kreatinin pasien tersebut. Nilai ini mempunyai arti berapa besar nilai (persen) persamaan yang diperoleh mampu menjelaskan bersihan kreatinin. Pada Model Summary di atas. Adjusted R Square adalah sebesar 92. lihatlah nilai Adjusted R Square. Suatu persamaan dikatakan layak untuk digunakan bila nilai p pada uji ANOVA < 0.510 (kreatinin serum) Bersihan kreatinin = 118.510(1.2) = 59. maka persamaan yang diperoleh semakin baik. Sebesar 7.663 – 49.2 mg/dl.

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

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

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

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