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

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

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

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

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. LATIHAN 3 UJI KORELASI GAMMA DAN SOMERS’D (HIPOTESIS KORELATIF ORDINAL TABEL B X K) . Oleh karena nilai p < 0. Bagian pertama adalah statistik deskriptif untuk variabel somativ complaint dan skor social problem. Klik OK.a.  Pilih uji Spearman pada kotak Correlation Coefficients. Melakukan uji Spearman Untuk melakukan uji Spearman.  Masukkan somatic dan social ke dalam kotak Variables.351 menunjukkan bahwa arah korelasi positif dengan kekuatan korelasi yang lemah.05. 2. lakukanlah langkah-langkah berikut.  Analyze  Correlate  Bivariate. Hasil yang diperoleh adalah sebagai berikut. Interpretasi Dari hasil di atas. Anda menggunakan hasil uji Kolmogorov-Smirnov untuk menguji apakah distribusi data normal atau tidak. Ingat prinsip bahwa Anda harus selalu mempelajari deskripsi variabel sebelum melangkah pada proses selanjutnya.  Proses telah selesai. Nilai korelasi Spearman sebesar 0.000. Melakukan transformasi 3. b. Sebagaimana kesepakatan.  Pilih Two tailed pada Test of Significance. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi tidak normal. Pada uji Test of Normality Kolmogorov-Smirnov. Menguji hasil transformasi 4. diperoleh nilai Significancy 0.

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

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

 Klik kotak Statistics. klik OK. 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. Terdapat dua pilihan uji.  Analyze  Descriptive statistics  Crosstabs. Tabel 7. di mana perilaku merokok sebagai variabel bebas dan infertilitas sebagai variabel tergantung.  Masukkan perilaku merokok ke dalam Rows (karena bertindak sebagai variabel bebas).  Proses telah selesai. yaitu uji korelasi koefisien kontingensi dan lambda.  Pilih Lambda pada kotak Nominal. . Lakukanlah prosedur sebagai berikut. Anda memilih uji lambda karena kedudukan dua variabel tidak setara. Prosedur uji korelasi Lambda  Buka file Lambda.  Masukkan variabel status fertilitas ke dalam Colums (karena bertindak sebagai variabel terikat).Uji hipotesis apa yang akan Anda pilih? Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah sebagai berikut.  Nominal untuk melanjutkan proses selanjutnya. 3.7 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. Klik Continue.

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

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

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

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

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

Suatu rumus dikatakan mempunyai kalibrasi yang baik apabila nilai p pada uji ANOVA < 0. Menilai kualitas dari rumus yang diperoleh dari analisis multivariat. Suatu rumus dikatakan mempunyai kalibrasi yang baik jika mempunyai nilai p > 0. Pada regresi linier terdapat asumsi linieritas. .05. Pada analisis regresi logistik. independensi. normalitas. homogenitas. dan multikolinieriti. Diskriminasi dinilai dengan melihat nilai Area Under Curve (AUC) dengan metode Receiver Operating Curve (ROC) sementara kalibrasi dengan metode Hosmer and Lameshow.4. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai R2 semakin mendekati angka 1. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai AUG semakin mendekati angka 1.05 pada uji Hosmer and Lameshow. 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. 5. kualitas rumus yang diperoleh dinilai dengan melihat kemampuan diskriminasi dan kalibrasi.

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

. Langkah-langkah uji hipotesis dan memperoleh nilai OR dengan menggunakan SPSS sama dengan apa yang sudah dibahas pada Bab V. pilih Column pada Percentages. hanya 26.91 Artinya.6% yang mengalami hepatomegali. Uji hipotesis yang digunakan adalah uji Chi-Square. dengan nilai p sebesar 0.akan digunakan uji alternatifnya. Artinya.55 dapat juga diinterpretasikan bahwa probabilitas pasien yang mengalami hepatomegali untuk menderita syok adalah sebesar 78%.55 kali untuk mengalami syok dibandingkan dengan pasien yang tidak hepatomegali Nilai RO sebesar 3. pasien dengan hepatomegali mempunyai kemungkinan 3.  Klik Analyze. pilih Chi-Square di sebelah kiri atas dan Risk di kanan bawah.  Masukkan syok ke dalam Column. secara statistik terdapat hubungan yang bermakna antara hepatomegali dengan syok.3% mengalami hepatomegali. Perbedaannya adalah pada pilihan risk yang harus dipilih untuk mendapatkan nilai RO.  Klik Descriptive statistics. Besarnya kekuatan hubungan diketahui dari parameter nilai RO karena desain yang digunakan adalah kasus kontrol.55 dengan IK 95% 1. Sedangkan dari semua pasien yang tidak syok. Interpretasj 1.  Masukkan hepatomegali ke dalam Row(s). sebanyak 56.  Klik kotak Statistic. 2. Akan didapatkan hasil sebagai berikut.  Klik Crosstabs. 3. Dari semua pasien yang menderita syok.  Buka file data_rasioodds.  Klik Continue dan OK.59-7. yaitu uji Fisher.  Klik kotak Cell.001. Korelasi yang digunakan adalah RO (lihat baris pertama pada risk estimate) yaitu sebesar 3.

dan d dapat diketahui dengan melihat tabel berikut. Rumus nilai RO adalah ad/bc sementara rumus nilai RR adalah a/(a+b) : c/(c+d). Rumus umum untuk membaca RO dan RR adalah sebagai berikut. bila RO = 1. Besar nilai RO dan RR bisa dihitung secara manual. 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. Variabel terikat Total Kolom kiri (ya) Kolom kanan (tidak) Faktor Risiko Hepatomegali Kategori bawah (tidak) Kategori atas (ya) . c. Cobalah hitung nilai RO dan RR dari tabel di atas secara manual! Nilai a.Dari manakah angka 78% diperoleh? Probabilitas dapat dihitung apabila kita mengetahui berapa besar nilai RO-nya. maka probabilitas = 66.55. yaitu dengan rumus: P = RO/(1÷RO) Dengan demikian. maka probabilitas = 75% bila RO = 3. b.55 maka probabilitas = 78% Beberapa catatan: 1.6% bila RO = 3. Syok Hepatomegali Ya Tidak Total Ya a c a+c Tidak b d b+d Total a+b c+d N 2. maka probabilitas = 50% bila RO = 2.

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

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

≤ 42% 1. ≥ 50. positif 2. hematrokit 7. negatif 1. variabel apa saja yang berpengaruh.terhadap syok? Bagaimana kekuatan hubungannya? b. Lakukanlah analisis multivariat dengan menggunakan SPSS! 7. Laki-laki 2.000 / µl 2.2.000 / µl 1. Variabel syok dengan kode 1 dan 2 akan digunakan untuk analisis bivariat sementara variable syok dengan kode 1 dan 0 akan digunakan untuk analisis multivariat. ≤ 50. bagaimana aplikasi dan persamaan yang diperoleh untuk memprediksi probabilitas syok pada pasien 8. tidak 1. apa persamaan yang diperoleh? c. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? 6. jenis kelamin 4. Uji hipotesis apa yang akan digunakan pada analisis bivariat? Bagaimana hasil analisis bivariat tersebut? 2. perdarahan 5. ya 0. Bagaimanakah kualitas persamaan yang diperoleh baik diskriminasi maupun dari segi kalibrasi? Marilah kita jawab pertanyaan di atas satu demi satu. Setelah dilakukan analisis multivariat: a. ≥ 42% 2. ya 2. Parameter kekuatan hubungan apa yang digunakan? 3. Lakukanlah analisis bivariat dengan menggunakan SPSS! 4. hepatomegali 2. tidak 1. Pertanyaan: 1. trombosit 6. tidak Kategorik Kategorik Kategorik Kategorik Kategorik Kategorik Keterangan: Pada data di atas terdapat dua variable syok dengan kode yang berbeda. syok_reg 3. Analisis multivariat apa yang akan digunakan? 5. . Perempuan 1.

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

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

kategori tersebut mempunyai kode 1. Perubahan kode ini secara otomatis dilakukan oleh software karena pada saat melakukan perintah analisis regresi logistik.11). dan hematokrit. Pada Categorical Variables Codings. pada saat analisis regresi logistik. tidak syok diberi kode 0. Perhatikan bahwa pada saat mengisi data. dan perdarahan (ya) diberi kode 1.43).Dependent Variable Encoding dan Categorical Variables Coding dilihat untuk memeriksa kembali apakah sistem pengkodean sudah benar. kategori yang akan diprediksikan harus diberi kode 1. dan perdarahan (tidak) diberi kode 0. Kekuatan hubungan dapat dilihat dari nilai OR (EXP{B}).000/µl. pada saat analisis regresi logistik. perdarahan (RO = 3. hepatomegali (tidak). Pada Dependent Variable Encoding. Pada langkah pertama.28). sementara syok diberi kode 1. Hal ini sudah benar karena pada regresi logistik. Kekuatan hubungan dari yang terbesar ke yang terkecil adalah hepatomegali (OR = 3. kita melakukan prosedur categorical dan seterusnya. trombosit > 50. kode tersebut diganti menjadi 1. trombosit < 50. kategori tersebut mempunyai kode 2 akan tetapi. dimasukkan semua variabel. 7. Kategori hematokrit > 42%. Perhatikan bahwa pada saat mengisi data. Pada angkah pertama ini. Variabel yang berpengaruh terhadap syok adalah perdarahan. hepatomegali (ya). hepatomegali. hematokrit ≤ 42%. . terdapat dua langkah untuk sampai pada hasil akhir. 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. Variables in the Equation untuk melihat hasil akhir analisis multivariat. Akan tetapi. kode tersebut diganti menjadi 0. dan hematokrit (OR = 3. Dengan metode backward.000/µl. Interpretasi hasil regresi logistik a.

Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut.b. dan hematokrit > 42%. .065 Dengan demikian.233 (hepatomegali) + 1. 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. Hematokrit bernilai 1 jika “> 42%” dan bernilai 0 jika “d ≤ 42%”.189 (perdarahan) + 1.189 (0) + 1.233 (0) + 1.675 dengan demikian. probabilitas pasien untuk menderita syok adalah 6.137 (hematokrit) Nilai konstanta dan nilai koefisien untuk setiap variabel tersebut dapat dilihat pada kolom B. y = -2. Nilai variabel bebas dapat dilihat pada Categorical Variable Coding. dan hematokrit ≤ 42%.7 y = konstanta + a1x1 + a2x2 + … + aixi a = nilai koefisien tiap variabel x = nilai variabel bebas Contoh 1 Seorang pasien DBD dirawat tanpa perdarahan. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut. tidak mengalami hepatomegali. Perdarahan bernilai 1 jika “ya” dan bernilai 0 jika “tidak”.233 (hepatomegali) + 1. c.137 (hematokrit) y = -2.675 + 1. Hepatomegali bernilai 1 jika “ya” dan bernilai 0 jika “tidak”.7-(-2. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi.189 (perdarahan) + 1.5%.675) = 0.675)) = 1/(1+2. y = -2.137 (0) y = -2.675 + 1. Contoh 2 Seorang pasien DBD dirawat dengan perdarahan.675 + 1. mengalami hepatomegali.72. probabilitasnya adalah: p = 1/(1+e-y) = 1/(1+2.

233 (1) + 1.675 + 1. Variabel ini merupakan prediksi terjadinya syok pada masing-masing subjek penelitian yang berguna untuk melihat nilai diskriminasi persamaan dengan metode ROC.137 = 0.675 + 1.  Masukan variabel PRE_1 ke dalam Test Variable. Nilai kalibrasi dapat dilihat dari Hosmer and Lameshow Test. Lihatlah kembali data. Variabel ini merupakan hasil dari perintah Probability pada kotak Save pada saat melakukan analisis multivariat.7-(0. Nilai p pada Hosmer and Lameshow Test adalah sebesar 0.189 (1) + 1. Apakah nilai AUC ini cukup memuaskan? Memuaskan atau tidaknya nilai AUC. dapat ditentukan secara klinis atau secara . persamaan yang diperoleh mempunyai kalibrasi yang baik. terdapat variabel baru yang bernama PRE_1. baik dari segi diskriminasi maupun dan segi kalibrasi? a.675 + 1.884)) = 0. Artinya. Langkah-langkah adalah sebagai berikut.  Proses sudah selesai.y = -2. Menilai kualitas persamaan yang diperoleh berdasarkan parameter kalibrasi. Nilai diskriminasi dapat diketahui dengan melihat nilai Area Under the Curve (AUC). Masukan angka 1 ke dalam value of State Variable.233 (hepatomegali) + 1. probabilitasnya adalah: p = l/(l+e-y) = l/(1+2. Pada kolom terakhir.189 (perdarahan) + 1. Nilai AUC adalah sebesar 74%. Bagaimanakah kualitas persamaan yang diperoleh. pilih ROC.189 + 1. b.137(1) y = -2.233 + 1. diperoleh hasil sebagai berikut.  Masukan syok_reg (kode 1 dan 0) ke dalam State Variable.884 dengan demikian.  Pilih semua kotak yang terdapat pada menu Display.6%.137 (hematokrit) y = -2.  Pada output. 8.706 Dengan demikian. Menilai kualitas persamaan yang diperoleh berdasarkan parameter diskriminasi. probabilitas pasien untuk menderita syok adalah 70.585. Klik OK.  Pilih Graph.

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

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

 Proses sudah selesai. Variabel yang akan dimasukkan ke dalam analisis regresi linier adalah.49. variabel yang pada analisis bivariat mempunyai nilai p < 0.663 . Interpretasi basil regresi linier.25. 7. 6. b.510 (kreatinin serum) Nilai konstanta dan nilai koefisien untuk variabel tersebut dapat dilihat pada kolom B. Analisis multivariat yang akan digunakan adalah regresi linier karena variabel terikatnya adalab variabel dengan skala peugukuran numerik 5. Analisis regresi linier dengan menggunakan SPSS. Klik OK.  Klik Analyze  Regression  Linier.510 (kreatinin serum) Contoh: . Bersihan kreatinin = 118. Variabel tersebut adalah umur dan kreatinin serum.4. a. Variabel yang dapat digunakan untuk memprediksi bersihan kreatinin adalah variabel kreatinin dengan korelasi sebesar -0.663 – 49. c. Bersihan kreatinin 118.  Masukan variabel bersihan kreatinin ke dalam Dependent.  Masukan semua vaniabel independen ke dalam Independent  Pilih metode Backward pada pilihan metode.  Pada output. Aplikasi dan persamaan yang diperoleh adalah untuk memprediksi nilai bersihan kreatinin dengan rumus.963 (lihat kolom beta). periksalah Coefficients. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi.

lihatlah nilai Adjusted R Square.510(1. .3%. Pada Model Summary.663 – 49.7% sisanya.221 ml/menit Meniläi kualitas persamaan yang diperoleh.2) = 59. artinya persamaan yang diperoleh mampu menjelaskan bersihan kreatinin sebesar 92.2 mg/dl. maka persamaan yang diperoleh semakin baik. Adjusted R Square adalah sebesar 92. dijelaskan oleh variabel lain yang tidak diteliti. Dengan demikian.510 (kreatinin serum) Bersihan kreatinin = 118. BAB XII MENILAI SYARAT REGRESI LINER (1) Tujuan Pembaca mampu melakukan pengecekan syarat regresi liner dengan menggunakan SPSS dan melakukan interpretasi yang tepat.Kreatinin serum seorang pasien adalah sebesar 1. Kualitas persamaan hasil analisis regresi linier dapat dinilai dengan melihat hasil uji ANOVA dan Model Summary. Suatu persamaan dikatakan layak untuk digunakan bila nilai p pada uji ANOVA < 0.05. Pada uji ANOVA ini.3%. Semakin mendekati 100%.663 – 49. kita bisa memprediksikan nilai bersihan kreatinin pasien tersebut. Bersihan kreatinin = 118. Sebesar 7. nilai p adalah sebesar < 0. rumus yang digunakan layak untuk digunakan. Nilai ini mempunyai arti berapa besar nilai (persen) persamaan yang diperoleh mampu menjelaskan bersihan kreatinin. Berapakah prediksi nilai bersihan kreatinin pasien? Dengan menggunakan rumus di atas.001. Pada Model Summary di atas.

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. Membuat grafik histogram dari residu atau dengan uji normalitas. kita telah mendapatkan persamaan regresi sebagai berikut.663 – 49..510(kreatinin serum) Kita mengetahui bahwa kreatinin serum bukanlah satu-satunya variabel yang bisa memprediksikan bersihan kreatinin.663 – 49. kita perlu memahami logika persamaan regresi linier terlebih dahulu. Sebenarnya. yaitu mengecek apakah syarat regresi linier terpenuhi atau tidak.. y = β0 + β1a + residu Bila terdapat banyak variabel independen.510(kreatinin serum) + penjelasan lainnya. Pada Bab XI. Syarat regresi linier dapat diketahui dari persamaanya. persamaan tersebut ditulis: Y = 118. bagaimana melakukan interpretasi. Apabila syarat regresi linier terpenuhi. ada satu tahap yang harus dilakukan pada analisis regresi linier. Bersihan kreatinin = 118.510*a + residu Dalam bahasa matematika yang umum lagi. Dalam bahasa matematika. maka kita bisa melakukan regresi linier. dan menilai kualitas hasil yang diperoleh. + residu Tabel 12. Scatter harus berada di sekitar garis diagonal. Bersihan kreatinin = 118.663 – 49. bahasa matematikanya adalah : y = β0 + β1a1 + β2a2 + β3a3 + . Syarat regresi linier dibahas setelah pembahasan regresi linier adalah untuk memudahkan pemahaman. sehigga rumus yang lengkap adalah sebagai berikut. Memahami logika persamaan regresi Untuk memahami syarat regresi linier. Histogram dari residu dependen harus linier Residu mempunyai distribusi yang .Pada Bab XI telah diuraikan bagaimana melakukan uji regresi linier. Penjelasan lainnya ini sering kali disebut dengan istilah residu atau error.

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

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

Lakukanlah langkahlangkah tersebut.2 Hasil pengujian syarat regresi linier Komponen Variabel bebas terikat Residu Residu Residu-variabel independen Residu-variabel independen Variabel independen dan Syarat Hubungan harus linier Residu variabel Hasil Pengujian Scatter harus berada di sekitar garis diagonal Test shapiro wilk. p > 0. Dengan melakukan prosedur pengujian syarat regresi linier di atas. Akan diperoleh hasil sebagai berikut. terlihat bahwa scatter tidak membentuk pola tertentu. Anda akan memperoleh hasil sebagai berikut.8 . 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.8 Varian tidak konstan mempunyai scatter pola Terpenuhi Terpenuhi Terpenuhi Terpenuhi Terpenuhi Kesimpulan Terpenuhi independen dan dependen mempunyai distribusi yang normal Residu mempunyai rerata sebesar 0 Residu tidak mempunyai korelasi yang kuat dengan variabel independen Residu mempunyai varian yang konstan Tidak ada korelasi yang kuat antara variabel independen tertentu Korelasi antara variabel independen < 0. Dengan demikian. Klik OK.05 Mean = 0 Korelasi residu dengan variabel independen < 0. Tabel 12. Dari grafik tersebut. syarat varian yang konstan terpenuhi. dapat kita simpulkan bahwa syarat regresi linier terpenuhi.

Sign up to vote on this title
UsefulNot useful