P. 1
BAB VII - XII

BAB VII - XII

|Views: 2,468|Likes:
Published by deeoo

More info:

Published by: deeoo on Mar 22, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

02/01/2015

pdf

text

original

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

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

Hasil yang diperoleh adalah sebagai berikut.  Masukkan depresi dan ansietas ke dalam kotak variables.05.  Pilih uji Pearson pada kotak Correlation Coefficients.862 menunjukkan korelasi positif dengan kekuatan korelasi yang sangat kuat. Klik OK. diperoleh nilai sig 0. lakukanlah langkah-langkah berikut.  Proses telah selesai.  Pilih Two tailed pada Test of Significance. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi normal. Interpretasi Dari hasil di atas.Pada uji Test of Normality Kolmogorov-Smirnov. Nilai korelasi Pearson sebesar 0.078.  Analyze  Correlate  Bivariate. LATIHAN 2 UJI KORELASI SPEARMAN (HIPOTESIS KORELATIF NUMERIK DISTRIBUSI TIDAK NORMAL) Kasus : Anda ingin mengetahui korelasi antara skor gangguan somatik dengan skor gangguan sosial. 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. 2. Oleh karena nilai p > 0. Melakukan uji Pearson Untuk melakukan uji Pearson. baik skor ansietas maupun skor depresi mempunyai nilai p = 0. .000 yang menunjukkan bahwa korelasi antara skor depresi dan skor ansietas adalah bermakna.

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

Melakukan uji Spearman Untuk melakukan uji Spearman. Melakukan transformasi 3. Bagian pertama adalah statistik deskriptif untuk variabel somativ complaint dan skor social problem.351 menunjukkan bahwa arah korelasi positif dengan kekuatan korelasi yang lemah. diperoleh nilai Significancy 0. b. lakukanlah langkah-langkah berikut.  Proses telah selesai. maka dapat diambil kesimpulan kedua kelompok data mempunyai distribusi tidak normal. Interpretasi Dari hasil di atas.  Pilih Two tailed pada Test of Significance.  Masukkan somatic dan social ke dalam kotak Variables. 2. 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) . Nilai korelasi Spearman sebesar 0.a. Hasil yang diperoleh adalah sebagai berikut. Sebagaimana kesepakatan.  Pilih uji Spearman pada kotak Correlation Coefficients. Pada uji Test of Normality Kolmogorov-Smirnov.000. Anda menggunakan hasil uji Kolmogorov-Smirnov untuk menguji apakah distribusi data normal atau tidak. Klik OK.05. Menguji hasil transformasi 4.  Analyze  Correlate  Bivariate. Oleh karena nilai p < 0. 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.

Gamma dan Somers’d. Terdapat tiga pilihan uji korelasi. Anda memilih untuk melakukan uji korelasi Gamma dan Somers’d karena korelasi yang akan diuji adalah korelasi antar variabel ordinal yang penyajiannya dalam bentuk silang 3 x 3.  Masukkan variabel p3 ke dalam rows. yaitu korelasi Spearman. Bagaimana melakukan uji korelasi Gamma dan Somers’d dengan SPSS?  Buka file gamma.6 Langkah-langkah untuk menentukan uji hipotesis yang sesuai dengan panduan tabel uji hipotesis dan diagram alur Langkah Menentukan variabel yang dihubungkan Jawaban Variabel yang dihubungkan adalah mutu pelayanan keperawatab (kategorik ordinal) dengan mutu pelayanan rumah 2. . baik). sedang.Kasus : Anda ingin mengetahui korelasi antara tingkat penilaian responden terhadap mutu pelayanan penawaran (buruk. baik) dengan mutu pelayanan rumah sakit (buruk. Tabel 7. Pelajari terlebih dahulu bagian Variable View untuk mempelajari variabel yang ada pada file tersebut. 3. Menentukan jenis hipotesis Menentukan masalah skala variabel Kesimpulan : sakit (kategorik ordinal) Korelatif Kategorik ordinal 1.  Masukkan variabel p4 ke dalam Columns. Dirumuskan pertanyaan sebagai berikut : “Adakah korelasi antara tingkat penilaian pasien terhadap mutu pelayanan keperawatan dengan mutu pelayanan rumah sakit?” Uji hipotesis apa yang akan Anda gunakan? Langkah-langkah yang digunakan untuk menjawab pertanyaan tersebut adalah sebagai berikut. sedang. Lakukanlah langkah-langkah sebagai berikut.  Analyze  Descriptive Statistics  Crosstabs.

Bagaimanakah hasilnya? Interpretasi 1. Klik OK. Pada uji Gamma diperoleh nilai korelasi sebesar 0.052 yang menunjukkan bahwa korelasi sangat lemah.028 yang menunjukkan bahwa korelasinya sangat lemah. Anda membaca bahwa besar korelasinya adalah 0. Output ketiga (symmetric measures) menyajikan hasil uji Gamma.  Proses telah selesai. Output kedua (directional measures) menyajikan hasil uji Somers’d. Jika Anda menganggap bahwa mutu pelayanan rumah sakit sebagai variabel bebas.  Pilih Gamma dan Somers’d. Output pertama (crosstab) menyajikan tabel silang antara mutu pelayanan keperawatan dengan mutu layanan rumah sakit. Hasil uji Somers’d Anda pakai jika salah satu variabel Anda anggap sebagai variabel bebas sedangkan variabel yang lain sebagai variabel tergantung. 3. Aktifkan kotak Statistics. Anda menggunakan uji Gamma bila kedudukan dua variabel setara (tidak ada variabel bebas dan tergantung). maka nilai yang Anda pergunakan adalah hasil uji Somers’d bari ke dua. Anda merumuskan pertanyaan penelitian sebagai berikut : “Apakah terdapat korelasi antara perilaku merokok dengan status fertilitas seorang pria?” . 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). 2.

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

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

Pendahuluan . 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.

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

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

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

Menilai syarat atau asumsi. Menilai kualitas dari rumus yang diperoleh dari analisis multivariat. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai AUG semakin mendekati angka 1. Kualitas dan rumus yang diperoleh pada regresi linier dinilai dengan melihat nilai diskriminasi dengan melihat nilai R2 dan kalibrasinya dengan melihat hasil uji ANOVA.05 pada uji Hosmer and Lameshow. homogenitas. Diskriminasi dinilai dengan melihat nilai Area Under Curve (AUC) dengan metode Receiver Operating Curve (ROC) sementara kalibrasi dengan metode Hosmer and Lameshow. dan multikolinieriti. kualitas rumus yang diperoleh dinilai dengan melihat kemampuan diskriminasi dan kalibrasi.05.4. independensi. . 5. normalitas. Pada regresi linier terdapat asumsi linieritas. Suatu rumus dikatakan mempunyai kalibrasi yang baik apabila nilai p pada uji ANOVA < 0. Pada analisis regresi logistik. Suatu rumus dikatakan mempunyai kalibrasi yang baik jika mempunyai nilai p > 0. Suatu rumus dikatakan mempunyai diskriminasi yang baik jika nilai R2 semakin mendekati angka 1.

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

Artinya. dengan nilai p sebesar 0. 2.59-7.  Masukkan syok ke dalam Column.  Klik kotak Cell. Besarnya kekuatan hubungan diketahui dari parameter nilai RO karena desain yang digunakan adalah kasus kontrol. sebanyak 56.55 kali untuk mengalami syok dibandingkan dengan pasien yang tidak hepatomegali Nilai RO sebesar 3. Korelasi yang digunakan adalah RO (lihat baris pertama pada risk estimate) yaitu sebesar 3. Interpretasj 1. Sedangkan dari semua pasien yang tidak syok.6% yang mengalami hepatomegali. secara statistik terdapat hubungan yang bermakna antara hepatomegali dengan syok.  Klik Descriptive statistics.  Klik kotak Statistic. Langkah-langkah uji hipotesis dan memperoleh nilai OR dengan menggunakan SPSS sama dengan apa yang sudah dibahas pada Bab V. 3. Dari semua pasien yang menderita syok. pilih Chi-Square di sebelah kiri atas dan Risk di kanan bawah. hanya 26. .55 dapat juga diinterpretasikan bahwa probabilitas pasien yang mengalami hepatomegali untuk menderita syok adalah sebesar 78%.  Klik Analyze.  Masukkan hepatomegali ke dalam Row(s).91 Artinya. Uji hipotesis yang digunakan adalah uji Chi-Square. pasien dengan hepatomegali mempunyai kemungkinan 3.akan digunakan uji alternatifnya. pilih Column pada Percentages.  Klik Continue dan OK.  Klik Crosstabs. yaitu uji Fisher. Akan didapatkan hasil sebagai berikut.001.55 dengan IK 95% 1. Perbedaannya adalah pada pilihan risk yang harus dipilih untuk mendapatkan nilai RO.  Buka file data_rasioodds.3% mengalami hepatomegali.

dan d dapat diketahui dengan melihat tabel berikut. kemungkinan kategori atas (hepatomgali) dibandingkan dengan kategori bawah (tidak hepatomegali) untuk mengalami kolom kiri (syok) adalah sebesar 3.6% bila RO = 3. maka probabilitas = 75% bila RO = 3.55 maka probabilitas = 78% Beberapa catatan: 1. maka probabilitas = 66. maka probabilitas = 50% bila RO = 2. Besar nilai RO dan RR bisa dihitung secara manual.55. bila RO = 1. Rumus nilai RO adalah ad/bc sementara rumus nilai RR adalah a/(a+b) : c/(c+d). Variabel terikat Total Kolom kiri (ya) Kolom kanan (tidak) Faktor Risiko Hepatomegali Kategori bawah (tidak) Kategori atas (ya) . Perbandingan kemungkinan kategori atas dibandingkan dengan kategori bawah untuk mengalami kolom kiri adalah sebesar ??? Pada kasus di atas.Dari manakah angka 78% diperoleh? Probabilitas dapat dihitung apabila kita mengetahui berapa besar nilai RO-nya. Syok Hepatomegali Ya Tidak Total Ya a c a+c Tidak b d b+d Total a+b c+d N 2. b. Cobalah hitung nilai RO dan RR dari tabel di atas secara manual! Nilai a. yaitu dengan rumus: P = RO/(1÷RO) Dengan demikian. Rumus umum untuk membaca RO dan RR adalah sebagai berikut. c.

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

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

positif 2. Parameter kekuatan hubungan apa yang digunakan? 3. Variabel apa saja yang akan dimasukkan ke dalam analisis multivariat? 6. negatif 1.000 / µl 1. tidak 1. bagaimana aplikasi dan persamaan yang diperoleh untuk memprediksi probabilitas syok pada pasien 8. ya 2. variabel apa saja yang berpengaruh. ≥ 50. hematrokit 7. Laki-laki 2. Lakukanlah analisis bivariat dengan menggunakan SPSS! 4. apa persamaan yang diperoleh? c. Perempuan 1. Setelah dilakukan analisis multivariat: a. ya 0. Bagaimanakah kualitas persamaan yang diperoleh baik diskriminasi maupun dari segi kalibrasi? Marilah kita jawab pertanyaan di atas satu demi satu. ≥ 42% 2. Lakukanlah analisis multivariat dengan menggunakan SPSS! 7. Pertanyaan: 1. .terhadap syok? Bagaimana kekuatan hubungannya? b. perdarahan 5. ≤ 50.000 / µl 2. trombosit 6. Analisis multivariat apa yang akan digunakan? 5. jenis kelamin 4. Uji hipotesis apa yang akan digunakan pada analisis bivariat? Bagaimana hasil analisis bivariat tersebut? 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. tidak 1. tidak Kategorik Kategorik Kategorik Kategorik Kategorik Kategorik Keterangan: Pada data di atas terdapat dua variable syok dengan kode yang berbeda.2. syok_reg 3. ≤ 42% 1. hepatomegali 2.

Untuk perdarahan. dengan syok Kata ref pada tabel di atas adalah singkatan dan referensi. 3. pembandingnya adalah perempuan. 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. 4. 2. perdarahan. 6. 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.2 Analisis bivariat variabel jenis kelamin. Pada umumnya. . hepatomegali. 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.25. Variabel tersebut adalah perdarahan. Apakah hasil yang Anda peroleh sama dengan tabel berikut? Tabel 10. pembandingnya adalah tidak perdarahan. Hepatomegali. Untuk jenis kelamin. 5. Analisis multivariat apa yang akan digunakan? Analisis multivariat yang akan digunakan adalah regresi logistik karena variabel terikatnya adalah variabel kategorik dikotom. trombosit. Lakukanlah analisis bivariat dengan menggunakan SPSS! Lakukanlah analisis Chi-Square dan carilah nilai RO-nya untuk tiap-tiap variabel sebagaimana dapat dilihat pada Bab V dan Bab IX. artinya kita membandingkan laki-laki terhadap perempuan. yang berarti pembanding. Lakukanlah analisis regrësi logistik dengan menggunakan SPSS!  Klik Analiyze  Regression  Binary logistic. dan trombosit. artinya kita membandingkan pasien yang mengalami perdarahan terhadap pasien yang tidak mengalami perdarahan. hematokrit.1. dan hematokri.

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

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

probabilitas pasien untuk menderita syok adalah 6. Perdarahan bernilai 1 jika “ya” dan bernilai 0 jika “tidak”. probabilitasnya adalah: p = 1/(1+e-y) = 1/(1+2.675 + 1. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut.5%. dan hematokrit > 42%.233 (hepatomegali) + 1.675)) = 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. y = -2. Contoh 2 Seorang pasien DBD dirawat dengan perdarahan.137 (hematokrit) y = -2. Nilai variabel bebas dapat dilihat pada Categorical Variable Coding. dan hematokrit ≤ 42%.189 (perdarahan) + 1. Berapakah probabilitas pasien untuk mengalami syok? Probabilitas pasien untuk mengalami syok dapat dihitung dengan persamaan berikut.189 (perdarahan) + 1.72.7-(-2. Hepatomegali bernilai 1 jika “ya” dan bernilai 0 jika “tidak”. c.189 (0) + 1.675 + 1. y = -2.065 Dengan demikian. .675 dengan demikian.233 (hepatomegali) + 1. Hematokrit bernilai 1 jika “> 42%” dan bernilai 0 jika “d ≤ 42%”.233 (0) + 1.b. 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 = 2.675) = 0. mengalami hepatomegali. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi.137 (0) y = -2. tidak mengalami hepatomegali.675 + 1.137 (hematokrit) Nilai konstanta dan nilai koefisien untuk setiap variabel tersebut dapat dilihat pada kolom B.

probabilitasnya adalah: p = l/(l+e-y) = l/(1+2. Nilai diskriminasi dapat diketahui dengan melihat nilai Area Under the Curve (AUC). Menilai kualitas persamaan yang diperoleh berdasarkan parameter kalibrasi.585.189 (1) + 1.884 dengan demikian.  Masukan variabel PRE_1 ke dalam Test Variable. persamaan yang diperoleh mempunyai kalibrasi yang baik.  Masukan syok_reg (kode 1 dan 0) ke dalam State Variable. Menilai kualitas persamaan yang diperoleh berdasarkan parameter diskriminasi. Bagaimanakah kualitas persamaan yang diperoleh.233 + 1.  Pada output. Nilai AUC adalah sebesar 74%.233 (1) + 1.  Pilih semua kotak yang terdapat pada menu Display.7-(0.y = -2.675 + 1.884)) = 0. 8. probabilitas pasien untuk menderita syok adalah 70. Klik OK.189 (perdarahan) + 1.6%. terdapat variabel baru yang bernama PRE_1. Apakah nilai AUC ini cukup memuaskan? Memuaskan atau tidaknya nilai AUC. Variabel ini merupakan hasil dari perintah Probability pada kotak Save pada saat melakukan analisis multivariat. b. Masukan angka 1 ke dalam value of State Variable.  Pilih Graph.675 + 1.137(1) y = -2.137 (hematokrit) y = -2.137 = 0. Nilai p pada Hosmer and Lameshow Test adalah sebesar 0. dapat ditentukan secara klinis atau secara . baik dari segi diskriminasi maupun dan segi kalibrasi? a.189 + 1. Langkah-langkah adalah sebagai berikut. Artinya.675 + 1. Variabel ini merupakan prediksi terjadinya syok pada masing-masing subjek penelitian yang berguna untuk melihat nilai diskriminasi persamaan dengan metode ROC. diperoleh hasil sebagai berikut.233 (hepatomegali) + 1. Pada kolom terakhir. pilih ROC.706 Dengan demikian.  Proses sudah selesai. Nilai kalibrasi dapat dilihat dari Hosmer and Lameshow Test. Lihatlah kembali data.

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.statistik. peneliti yang menentukan berapa nilai AUC minimal yang dianggap memuaskan yang nilainya akan sangat bervariasi bergantung pada substansi yang diteliti. maka penentuannya dapat dilakukan secara statistik.60% > 50% . .60% > 50% .60% > 50% . Tabel 10.3 Interpretasi nilai AUC Nilai AUC > 50% . Apabila secara klinis peneliti tidak dapat menentukan nilai AUC minimal yang memuaskan. Secara klinis.60% > 50% . interpretasi secara statistik adalah seperti yang tercantum pada tabel berikut. Pada umumnya.

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

25.49.663 . variabel yang pada analisis bivariat mempunyai nilai p < 0.510 (kreatinin serum) Nilai konstanta dan nilai koefisien untuk variabel tersebut dapat dilihat pada kolom B. 6. Aplikasi dan persamaan yang diperoleh adalah untuk memprediksi nilai bersihan kreatinin dengan rumus. a. Interpretasi basil regresi linier.  Pada output. Variabel yang dapat digunakan untuk memprediksi bersihan kreatinin adalah variabel kreatinin dengan korelasi sebesar -0. Variabel tersebut adalah umur dan kreatinin serum.510 (kreatinin serum) Contoh: . Bersihan kreatinin = 118. Analisis multivariat yang akan digunakan adalah regresi linier karena variabel terikatnya adalab variabel dengan skala peugukuran numerik 5. Bersihan kreatinin 118.  Masukan semua vaniabel independen ke dalam Independent  Pilih metode Backward pada pilihan metode. b. Analisis regresi linier dengan menggunakan SPSS. 7.663 – 49.4. Variabel yang akan dimasukkan ke dalam analisis regresi linier adalah. periksalah Coefficients. Persamaan didapatkan adalah: y = konstanta + a1x1 + a2x2 + … + aixi.963 (lihat kolom beta).  Klik Analyze  Regression  Linier. Klik OK. c.  Masukan variabel bersihan kreatinin ke dalam Dependent.  Proses sudah selesai.

lihatlah nilai Adjusted R Square.663 – 49. Semakin mendekati 100%. Berapakah prediksi nilai bersihan kreatinin pasien? Dengan menggunakan rumus di atas.001. kita bisa memprediksikan nilai bersihan kreatinin pasien tersebut. artinya persamaan yang diperoleh mampu menjelaskan bersihan kreatinin sebesar 92.05. Adjusted R Square adalah sebesar 92. Pada Model Summary.Kreatinin serum seorang pasien adalah sebesar 1. Pada Model Summary di atas.663 – 49. Kualitas persamaan hasil analisis regresi linier dapat dinilai dengan melihat hasil uji ANOVA dan Model Summary. Sebesar 7. Dengan demikian. nilai p adalah sebesar < 0.3%.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.221 ml/menit Meniläi kualitas persamaan yang diperoleh. dijelaskan oleh variabel lain yang tidak diteliti. .3%. Bersihan kreatinin = 118. Pada uji ANOVA ini.510(1. maka persamaan yang diperoleh semakin baik. Suatu persamaan dikatakan layak untuk digunakan bila nilai p pada uji ANOVA < 0.2) = 59. Nilai ini mempunyai arti berapa besar nilai (persen) persamaan yang diperoleh mampu menjelaskan bersihan kreatinin. rumus yang digunakan layak untuk digunakan.2 mg/dl.7% sisanya.

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

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

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->