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

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

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.  Pilih uji Pearson pada kotak Correlation Coefficients. diperoleh nilai sig 0.Pada uji Test of Normality Kolmogorov-Smirnov. Oleh karena nilai p > 0.05.  Proses telah selesai. Interpretasi Dari hasil di atas. Melakukan uji Pearson Untuk melakukan uji Pearson. Nilai korelasi Pearson sebesar 0. lakukanlah langkah-langkah berikut.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. 2. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi normal. baik skor ansietas maupun skor depresi mempunyai nilai p = 0. Klik OK.  Pilih Two tailed pada Test of Significance.000 yang menunjukkan bahwa korelasi antara skor depresi dan skor ansietas adalah bermakna.  Analyze  Correlate  Bivariate. Hasil yang diperoleh adalah sebagai berikut.078. .  Masukkan depresi dan ansietas ke dalam kotak variables.

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

Nilai korelasi Spearman sebesar 0.  Pilih Two tailed pada Test of Significance. 2. Interpretasi Dari hasil di atas.351 menunjukkan bahwa arah korelasi positif dengan kekuatan korelasi yang lemah. Menguji hasil transformasi 4. Melakukan uji Spearman Untuk melakukan uji Spearman. Hasil yang diperoleh adalah sebagai berikut. diperoleh nilai Significancy 0.  Masukkan somatic dan social ke dalam kotak Variables. lakukanlah langkah-langkah berikut. b. Sebagaimana kesepakatan.  Pilih uji Spearman pada kotak Correlation Coefficients. Klik OK. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi tidak normal.05.000. Anda menggunakan hasil uji Kolmogorov-Smirnov untuk menguji apakah distribusi data normal atau tidak. Bagian pertama adalah statistik deskriptif untuk variabel somativ complaint dan skor social problem. Oleh karena nilai p < 0.  Analyze  Correlate  Bivariate. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi variabel sebelum melangkah pada proses selanjutnya. LATIHAN 3 UJI KORELASI GAMMA DAN SOMERS’D (HIPOTESIS KORELATIF ORDINAL TABEL B X K) . Melakukan transformasi 3.  Proses telah selesai. Pada uji Test of Normality Kolmogorov-Smirnov. baik skor somatic complaint maupun skor social problem mempunyai nilai p = 0.000 yang menunjukkan bahwa korelasi antara gangguan somatik dengan gangguan sosial adalah bermakna.a.

3.  Masukkan variabel p3 ke dalam rows. Lakukanlah langkah-langkah sebagai berikut. Terdapat tiga pilihan uji korelasi. baik). baik) dengan mutu pelayanan rumah sakit (buruk.  Analyze  Descriptive Statistics  Crosstabs. sedang. yaitu korelasi Spearman. Gamma dan Somers’d.  Masukkan variabel p4 ke dalam Columns. . Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : sakit (kategorik ordinal) Korelatif Kategorik ordinal 1.6 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. Pelajari terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada pada file tersebut. Tabel 7. sedang. Bagaimana melakukan uji korelasi Gamma dan Somers’d dengan SPSS?  Buka file gamma. Dirumuskan pertanyaan sebagai berikut : “Adakah korelasi antara tingkat penilaian pasien terhadap mutu pelayanan keperawatan dengan mutu pelayanan rumah sakit?” Uji hipotesis apa yang akan Anda gunakan? Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah sebagai berikut.Kasus : Anda ingin mengetahui korelasi antara tingkat penilaian responden terhadap mutu pelayanan penawaran (buruk. 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.

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

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

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

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

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

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

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

05 pada uji Hosmer and Lameshow. normalitas. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai R2 semakin mendekati angka 1.4. . Menilai kualitas dari rumus yang diperoleh dari analisis multivariat. Pada analisis regresi logistik. independensi. homogenitas. Menilai syarat atau asumsi. kualitas rumus yang diperoleh dinilai dengan melihat kemampuan diskriminasi dan kalibrasi. Kualitas dan rumus yang diperoleh pada regresi linier dinilai dengan melihat nilai diskriminasi dengan melihat nilai R2 dan kalibrasinya dengan melihat hasil uji ANOVA. Suatu rumus dikatakan mempunyai kalibrasi yang baik jika mempunyai nilai p > 0. Suatu rumus dikatakan mempunyai kalibrasi yang baik apabila nilai p pada uji ANOVA < 0. 5. Diskriminasi dinilai dengan melihat nilai Area Under Curve (AUC) dengan metode Receiver Operating Curve (ROC) sementara kalibrasi dengan metode Hosmer and Lameshow.05. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai AUG semakin mendekati angka 1. Pada regresi linier terdapat asumsi linieritas. dan multikolinieriti.

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

secara statistik terdapat hubungan yang bermakna antara hepatomegali dengan syok.59-7. yaitu uji Fisher.3% mengalami hepatomegali. pilih Column pada Percentages. Korelasi yang digunakan adalah RO (lihat baris pertama pada risk estimate) yaitu sebesar 3. Uji hipotesis yang digunakan adalah uji Chi-Square.001.  Klik Descriptive statistics.  Klik Continue dan OK.  Klik Analyze. hanya 26.  Klik kotak Cell. pilih Chi-Square di sebelah kiri atas dan Risk di kanan bawah. Perbedaannya adalah pada pilihan risk yang harus dipilih untuk mendapatkan nilai RO. pasien dengan hepatomegali mempunyai kemungkinan 3. Akan didapatkan hasil sebagai berikut. Besarnya kekuatan hubungan diketahui dari parameter nilai RO karena desain yang digunakan adalah kasus kontrol.55 kali untuk mengalami syok dibandingkan dengan pasien yang tidak hepatomegali Nilai RO sebesar 3. Dari semua pasien yang menderita syok. Artinya.akan digunakan uji alternatifnya. 3. Langkah-langkah uji hipotesis dan memperoleh nilai OR dengan menggunakan SPSS sama dengan apa yang sudah dibahas pada Bab V.6% yang mengalami hepatomegali. Sedangkan dari semua pasien yang tidak syok.  Masukkan hepatomegali ke dalam Row(s).  Masukkan syok ke dalam Column.  Buka file data_rasioodds. 2.55 dengan IK 95% 1.  Klik Crosstabs.55 dapat juga diinterpretasikan bahwa probabilitas pasien yang mengalami hepatomegali untuk menderita syok adalah sebesar 78%.  Klik kotak Statistic. dengan nilai p sebesar 0.91 Artinya. Interpretasj 1. . sebanyak 56.

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

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

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

perdarahan 5. hematrokit 7. Pertanyaan: 1. Lakukanlah analisis bivariat dengan menggunakan SPSS! 4. ≥ 42% 2. Uji hipotesis apa yang akan digunakan pada analisis bivariat? Bagaimana hasil analisis bivariat tersebut? 2. Bagaimanakah kualitas persamaan yang diperoleh baik diskriminasi maupun dari segi kalibrasi? Marilah kita jawab pertanyaan di atas satu demi satu. ya 0. tidak Kategorik Kategorik Kategorik Kategorik Kategorik Kategorik Keterangan: Pada data di atas terdapat dua variable syok dengan kode yang berbeda. ≤ 50. tidak 1. jenis kelamin 4. ≥ 50. tidak 1. Setelah dilakukan analisis multivariat: a. Perempuan 1. positif 2. hepatomegali 2. apa persamaan yang diperoleh? c.000 / µl 1. ya 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. . negatif 1.2.000 / µl 2. trombosit 6. Parameter kekuatan hubungan apa yang digunakan? 3. variabel apa saja yang berpengaruh.terhadap syok? Bagaimana kekuatan hubungannya? b. syok_reg 3. Lakukanlah analisis multivariat dengan menggunakan SPSS! 7. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? 6. Laki-laki 2. ≤ 42% 1. bagaimana aplikasi dan persamaan yang diperoleh untuk memprediksi probabilitas syok pada pasien 8. Analisis multivariat apa yang akan digunakan? 5.

Hepatomegali. Untuk perdarahan. 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. Variabel tersebut adalah perdarahan. . artinya kita membandingkan pasien yang mengalami perdarahan terhadap pasien yang tidak mengalami perdarahan. Apakah hasil yang Anda peroleh sama dengan tabel berikut? Tabel 10. hepatomegali.2 Analisis bivariat variabel jenis kelamin. Analisis multivariat apa yang akan digunakan? Analisis multivariat yang akan digunakan adalah regresi logistik karena variabel terikatnya adalah variabel kategorik dikotom. pembandingnya adalah tidak perdarahan.25. Pada umumnya. Untuk jenis kelamin. dan trombosit. 6. 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. 2. trombosit. dengan syok Kata ref pada tabel di atas adalah singkatan dan referensi. dan hematokri. yang berarti pembanding. perdarahan.1. Lakukanlah analisis regrësi logistik dengan menggunakan SPSS!  Klik Analiyze  Regression  Binary logistic. pembandingnya adalah perempuan. 4. 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. 3. hematokrit. 5. yang dijadikan sebagai pembanding adalah kategori yang dianggap tidak berisiko. Parameter kekuatan hubungan apa yang digunakan? Parameter kekuatan bubunan yang digunakan adalah nilai rasio odds (RO) karena penelitian menggunakan desain kasus kontrol. artinya kita membandingkan laki-laki terhadap perempuan.

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

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

137 (hematokrit) y = -2.675)) = 1/(1+2.7 y = konstanta + a1x1 + a2x2 + … + aixi a = nilai koefisien tiap variabel x = nilai variabel bebas Contoh 1 Seorang pasien DBD dirawat tanpa perdarahan.189 (0) + 1.675 + 1.189 (perdarahan) + 1.137 (hematokrit) Nilai konstanta dan nilai koefisien untuk setiap variabel tersebut dapat dilihat pada kolom B. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi.675) = 0.72.233 (0) + 1. Nilai variabel bebas dapat dilihat pada Categorical Variable Coding.233 (hepatomegali) + 1. Perdarahan bernilai 1 jika “ya” dan bernilai 0 jika “tidak”. .675 + 1.7-(-2. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut.137 (0) y = -2. Hematokrit bernilai 1 jika “> 42%” dan bernilai 0 jika “d ≤ 42%”. dan hematokrit > 42%.b.189 (perdarahan) + 1. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut. dan hematokrit ≤ 42%. probabilitas pasien untuk menderita syok adalah 6. tidak mengalami hepatomegali. Contoh 2 Seorang pasien DBD dirawat dengan perdarahan.675 + 1. Hepatomegali bernilai 1 jika “ya” dan bernilai 0 jika “tidak”.233 (hepatomegali) + 1. 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 = 2.5%.065 Dengan demikian. y = -2. probabilitasnya adalah: p = 1/(1+e-y) = 1/(1+2.675 dengan demikian. c. mengalami hepatomegali.

probabilitasnya adalah: p = l/(l+e-y) = l/(1+2. Menilai kualitas persamaan yang diperoleh berdasarkan parameter kalibrasi. b. probabilitas pasien untuk menderita syok adalah 70.  Proses sudah selesai. Langkah-langkah adalah sebagai berikut.189 (perdarahan) + 1. Klik OK.233 (1) + 1.  Pilih Graph. Artinya.233 + 1.137 = 0. dapat ditentukan secara klinis atau secara . Nilai p pada Hosmer and Lameshow Test adalah sebesar 0.y = -2. Masukan angka 1 ke dalam value of State Variable.706 Dengan demikian. Lihatlah kembali data.675 + 1.137 (hematokrit) y = -2. 8.  Masukan syok_reg (kode 1 dan 0) ke dalam State Variable.884)) = 0.6%.  Pada output.585. Variabel ini merupakan prediksi terjadinya syok pada masing-masing subjek penelitian yang berguna untuk melihat nilai diskriminasi persamaan dengan metode ROC. persamaan yang diperoleh mempunyai kalibrasi yang baik.7-(0.675 + 1. Nilai kalibrasi dapat dilihat dari Hosmer and Lameshow Test. Menilai kualitas persamaan yang diperoleh berdasarkan parameter diskriminasi. pilih ROC.  Pilih semua kotak yang terdapat pada menu Display. Apakah nilai AUC ini cukup memuaskan? Memuaskan atau tidaknya nilai AUC.675 + 1. baik dari segi diskriminasi maupun dan segi kalibrasi? a. Variabel ini merupakan hasil dari perintah Probability pada kotak Save pada saat melakukan analisis multivariat.233 (hepatomegali) + 1.  Masukan variabel PRE_1 ke dalam Test Variable. diperoleh hasil sebagai berikut.189 (1) + 1.189 + 1.137(1) y = -2. Pada kolom terakhir. terdapat variabel baru yang bernama PRE_1. Nilai diskriminasi dapat diketahui dengan melihat nilai Area Under the Curve (AUC). Bagaimanakah kualitas persamaan yang diperoleh. Nilai AUC adalah sebesar 74%.884 dengan demikian.

3 Interpretasi nilai AUC Nilai AUC > 50% .60% > 50% .60% > 50% . Pada umumnya.statistik.60% Interpretasi Sangat lemah Lemah Sedang Kuat Sangat Kuat BAB XI ANALISIS REGRESI LINIER Tujuan Pembaca mampu melakukan prosedur regresi linier dengan SPSS dan melakukan interpretasi yagg benar. Tabel 10. . peneliti yang menentukan berapa nilai AUC minimal yang dianggap memuaskan yang nilainya akan sangat bervariasi bergantung pada substansi yang diteliti. Secara klinis.60% > 50% . Apabila secara klinis peneliti tidak dapat menentukan nilai AUC minimal yang memuaskan. interpretasi secara statistik adalah seperti yang tercantum pada tabel berikut. maka penentuannya dapat dilakukan secara statistik.60% > 50% .

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

 Masukan semua vaniabel independen ke dalam Independent  Pilih metode Backward pada pilihan metode. variabel yang pada analisis bivariat mempunyai nilai p < 0.  Masukan variabel bersihan kreatinin ke dalam Dependent. Aplikasi dan persamaan yang diperoleh adalah untuk memprediksi nilai bersihan kreatinin dengan rumus.  Pada output. Analisis multivariat yang akan digunakan adalah regresi linier karena variabel terikatnya adalab variabel dengan skala peugukuran numerik 5.49. Variabel yang akan dimasukkan ke dalam analisis regresi linier adalah.  Proses sudah selesai. Variabel yang dapat digunakan untuk memprediksi bersihan kreatinin adalah variabel kreatinin dengan korelasi sebesar -0. b.510 (kreatinin serum) Nilai konstanta dan nilai koefisien untuk variabel tersebut dapat dilihat pada kolom B. c. Interpretasi basil regresi linier. Bersihan kreatinin 118. a. Analisis regresi linier dengan menggunakan SPSS.510 (kreatinin serum) Contoh: . Bersihan kreatinin = 118. 6.663 – 49. 7.  Klik Analyze  Regression  Linier. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi. Variabel tersebut adalah umur dan kreatinin serum. Klik OK.963 (lihat kolom beta). periksalah Coefficients.4.25.663 .

.7% sisanya. Pada Model Summary. Sebesar 7. nilai p adalah sebesar < 0. BAB XII MENILAI SYARAT REGRESI LINER (1) Tujuan Pembaca mampu melakukan pengecekan syarat regresi liner dengan menggunakan SPSS dan melakukan interpretasi yang tepat. maka persamaan yang diperoleh semakin baik. Dengan demikian. Bersihan kreatinin = 118. Nilai ini mempunyai arti berapa besar nilai (persen) persamaan yang diperoleh mampu menjelaskan bersihan kreatinin. artinya persamaan yang diperoleh mampu menjelaskan bersihan kreatinin sebesar 92. kita bisa memprediksikan nilai bersihan kreatinin pasien tersebut. Semakin mendekati 100%.663 – 49.05.510 (kreatinin serum) Bersihan kreatinin = 118.663 – 49. Berapakah prediksi nilai bersihan kreatinin pasien? Dengan menggunakan rumus di atas.510(1.221 ml/menit Meniläi kualitas persamaan yang diperoleh. rumus yang digunakan layak untuk digunakan.001.3%. Kualitas persamaan hasil analisis regresi linier dapat dinilai dengan melihat hasil uji ANOVA dan Model Summary. Adjusted R Square adalah sebesar 92. Pada uji ANOVA ini. lihatlah nilai Adjusted R Square. Pada Model Summary di atas.3%.2 mg/dl.Kreatinin serum seorang pasien adalah sebesar 1. Suatu persamaan dikatakan layak untuk digunakan bila nilai p pada uji ANOVA < 0. dijelaskan oleh variabel lain yang tidak diteliti.2) = 59.

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

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

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

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. terlihat bahwa scatter tidak membentuk pola tertentu. 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. Anda akan memperoleh hasil sebagai berikut. dapat kita simpulkan bahwa syarat regresi linier terpenuhi.8 . Dengan melakukan prosedur pengujian syarat regresi linier di atas. Tabel 12.8 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. Dari grafik tersebut. Dengan demikian.05 Mean = 0 Korelasi residu dengan variabel independen < 0. Akan diperoleh hasil sebagai berikut. Lakukanlah langkahlangkah tersebut. syarat varian yang konstan terpenuhi. Klik OK. p > 0.