Uji OR dan Regresi Logistik Sederhana Pada kesempatan ini, kita akan mencoba melakukan analisa data pada

penelitian case control study dimana analisis univariat menggunakan nilai odds ratio dan analisis multivariat menggunakan Regresi Logistik Sederhana. Untuk file latihannya, silahkan di download dulu file latihannya pada link yang saya sediakan supaya ada keseragaman. Moon maaf, file latihannya tidak dapat saya muat dalam postingan antarmuka karena terlalu besar datanya dimana jumlah sampel yang digunakan adalah 129 sampel berdasarkan hasil perhitungan besar sampel pada penelitian case control study dengan perbandingan kasus dan kontrol adalah 1 : 2 yaitu 1 sampel pada kasus dan 2 sampel pada kontrol. Ok, kita lanjut langkah-langkah analisis datanya menggunakan program IBM SPSS v20. Yang belum punya silahkan download terlebih dahulu. Data yang saya buat berdasarkan hasil temuan lapangan dan bukan rekayasa karena merupakan data pada penelitian tentang analisis faktor yang berisiko terhadap kematian neonatal. Download file latihan OR dan Regresi Logistik Sederhana Download IBM SPSS v20 Sudah download file latihannya kan. Berikut adalah langkah2 analisis datanya menggunakan SPSS Langkah 1 ; Entri Data 1. Open aplikasi progam SPSS 2. Pertama-tama kita akan membuat susunan variabel pada jendela variabel view di SPSS

tampilan awal jendela data view (masih kosong) Susunan variabelnya adalah sama tampilannya pada file yang telah didownload dan dibuka di excel. Namun sebelumnya adalah kita harus mendeskripsikan variabel tersebut pada aplikasi SPSS. Berikut adalah penjelasan dari tiap variabelnya. Variabel pertama : Nama : Sts Type : Numeric Width : default Decimals : 0 (Nol)

Label : Status Kematian Neonatal Values : 1 = Mati, 2 = Hidup atau 1 = Kasus, 2 = Kontrol Missing ; none Columns ; default Align ; default Measure ; ordinal Role ; default Variabel kedua : Nama : Asfi Type : Numeric Width : default Decimals ; 0 (Nol) Label : Asfiksia neonatorum Values ; 1 = APGAR < 7, 2 = APGAR 7 ke atas Missing ; none Columns ; default Align ; default Measure ; ordinal Role ; default Variabel ketiga : Nama : BL Type : numeric Width ; default Decimals ; 0 Label : Berat Lahir Values ; 1 = BBLR, 2 = Normal Missing ; none Columns ; default Align ; default Measure ; ordinal Role ; default Variabel keempat : Nama ; Umr Type ; numeric Width ;default Decimals ; 0 Label ; Umur ibu Values; 1 = <20 dan >35 th, 2 = 20 - 35 th Missing ; none Columns ; default Align ; default Measure ; ordinal Role ; default Variabel kelima : Nama : Par Type : numeric

Width ; default Decimals ; 0 Label : Paritas Values ; 1 = >2x, 2 = Max 2x Missing ; none Columns ; default Align ; default Measure ; ordinal Role ; default Variabel keenam : Nama ; ANC Type ; numeric Width ; default Decimals ; 0 Label ; Pelayanan Antenatal Values ; 1 = Tdk teratur, 2 = Teratur Missing ; none Columns ; default Align ; default Measure ; scale Role ; default Tampilan data variabelnya di SPSS adalah sebagai berikut.

tampilan variabel pada jendela variabel view 3. Masuk ke jendela Data View sehingga pada tabel menu bagian kolom terlihat namanama variabel yang telah dibuat, seperti berikut

tampilan varibel pada jendela Variabel view 4. Buka file latihan yang telah di download menggunakan excel atau program sejenisnya

tampilan dan blok data di excel 5. Masukkan data yang telah di download dengan cara meng copy kolom datanya tidak termasuk nama variabel dan kolom nomor di excel. Jadi di blok datanya kemudian paste ke dalam jendela data view sesuai urutannya dimulai dari kolom Sts baris 1. Hasilnya seperti ini

tampilan data yg telah di entri pada jendela Variabel view Simpan file dengan nama Master Data.sav Langkah 2 ; Analisis Bivariat uji OR 6. Setelah data dimasukkan, pilih menu bar Analyze -> Descriptive Statistics -> Crosstabs.., sehingga muncul jendela Crosstabs

7. Masukkan variabel Status Kematian Neonatal pada kolom menu Columns(s) dan variabel sisanya di kolom menu Row(s)

8. Pilih menu Statistics.. untuk memilih jenis analisis statistiknya sehingga muncul menu crosstabs;statistics 9. Beri centang menu Risk lalu Continue

10. Kembali pada menu Crosstabs, lalu pilih Cells.. untuk memilih tampilan sel pada tabel hasil analisis 11. Beri centang Observed, Expexted pada menu Counts; Row, Column, Total pada menu Percentages. Lalu Continue

12. Kembali ke menu Crosstabs, pilih OK Berikut adalah hasil analisis datanya untuk uji bivariat dengan Odds Ratio (OR)

Crosstabs Asfiksia Neonatorum * Status Kematian Neonatal

Crosstab Status Kematian Neonatal Mati Hidup 38 4 14,0 28,0 90,5% 9,5% 88,4% 4,7% 29,5% 3,1% 5 82 29,0 58,0 5,7% 94,3% 11,6% 95,3% 3,9% 63,6% 43 86 43,0 86,0 33,3% 66,7% 100,0% 100,0% 33,3% 66,7% Total 42 42,0 100,0% 32,6% 32,6% 87 87,0 100,0% 67,4% 67,4% 129 129,0 100,0% 100,0% 100,0%

APGAR <7 Asfiksia Neonatorum APGAR 7 Lebih

Total

Count Expected Count % within Asfiksia Neonatorum % within Status Kematian Neonatal % of Total Count Expected Count % within Asfiksia Neonatorum % within Status Kematian Neonatal % of Total Count Expected Count % within Asfiksia Neonatorum % within Status Kematian Neonatal % of Total

Risk Estimate Value 95% Confidence Interval Lower Upper Odds Ratio for Asfiksia Neonatorum (APGAR <7 / APGAR 7 Lebih) For cohort Status Kematian Neonatal = Mati For cohort Status Kematian Neonatal = Hidup N of Valid Cases 155,800 15,743 ,101 129 39,594 6,684 ,040 613,059 37,077 ,257

Berat Lahir * Status Kematian Neonatal

Crosstab Status Kematian Neonatal Mati Hidup 25 6 10,3 20,7 80,6% 19,4% 58,1% 7,0% 19,4% 4,7% 18 80 32,7 65,3 18,4% 81,6% 41,9% 93,0% 14,0% 62,0% 43 86 43,0 86,0 33,3% 66,7% 100,0% 100,0% 33,3% 66,7% Total 31 31,0 100,0% 24,0% 24,0% 98 98,0 100,0% 76,0% 76,0% 129 129,0 100,0% 100,0% 100,0%

BBLR Berat Lahir

Normal

Total

Count Expected Count % within Berat Lahir % within Status Kematian Neonatal % of Total Count Expected Count % within Berat Lahir % within Status Kematian Neonatal % of Total Count Expected Count % within Berat Lahir % within Status Kematian Neonatal % of Total

Risk Estimate Value 95% Confidence Interval Lower Upper Odds Ratio for Berat Lahir (BBLR / Normal) For cohort Status Kematian Neonatal = Mati For cohort Status Kematian Neonatal = Hidup N of Valid Cases 18,519 4,391 ,237 129 6,629 2,795 ,115 51,731 6,897 ,489

Umur Ibu * Status Kematian Neonatal

Crosstab Status Kematian Neonatal Mati Hidup 15 17 10,7 21,3 46,9% 53,1% 34,9% 19,8% 11,6% 13,2% 28 69 32,3 64,7 28,9% 71,1% 65,1% 80,2% 21,7% 53,5% 43 86 43,0 86,0 33,3% 66,7% 100,0% 100,0% 33,3% 66,7% Total 32 32,0 100,0% 24,8% 24,8% 97 97,0 100,0% 75,2% 75,2% 129 129,0 100,0% 100,0% 100,0%

<20 dan >35 Th Umur Ibu 20-35 Th

Total

Count Expected Count % within Umur Ibu % within Status Kematian Neonatal % of Total Count Expected Count % within Umur Ibu % within Status Kematian Neonatal % of Total Count Expected Count % within Umur Ibu % within Status Kematian Neonatal % of Total

Risk Estimate Value 95% Confidence Interval Lower Upper Odds Ratio for Umur Ibu (<20 dan >35 Th / 20-35 Th) For cohort Status Kematian Neonatal = Mati For cohort Status Kematian Neonatal = Hidup N of Valid Cases 2,174 1,624 ,747 129 ,956 1,001 ,527 4,945 2,633 1,059

Paritas * Status Kematian Neonatal

Crosstab Status Kematian Neonatal Mati Hidup 15 31 15,3 30,7 32,6% 67,4% 34,9% 36,0% 11,6% 24,0% 28 55 27,7 55,3 33,7% 66,3% 65,1% 64,0% 21,7% 42,6% 43 86 43,0 86,0 33,3% 66,7% 100,0% 100,0% 33,3% 66,7% Total 46 46,0 100,0% 35,7% 35,7% 83 83,0 100,0% 64,3% 64,3% 129 129,0 100,0% 100,0% 100,0%

>2x

Paritas

1-2x

Total

Count Expected Count % within Paritas % within Status Kematian Neonatal % of Total Count Expected Count % within Paritas % within Status Kematian Neonatal % of Total Count Expected Count % within Paritas % within Status Kematian Neonatal % of Total

Risk Estimate Value 95% Confidence Interval Lower Upper Odds Ratio for Paritas (>2x / ,950 ,442 2,045 1-2x) For cohort Status Kematian ,967 ,579 1,615 Neonatal = Mati For cohort Status Kematian 1,017 ,790 1,310 Neonatal = Hidup N of Valid Cases 129

Pelayanan Antenatal * Status Kematian Neonatal

Crosstab Status Kematian Neonatal Mati Hidup 38 39 25,7 51,3 49,4% 50,6% 88,4% 45,3% 29,5% 30,2% 5 47 17,3 34,7 9,6% 90,4% 11,6% 54,7% 3,9% 36,4% 43 86 43,0 86,0 33,3% 66,7% 100,0% 100,0% 33,3% 66,7% Total 77 77,0 100,0% 59,7% 59,7% 52 52,0 100,0% 40,3% 40,3% 129 129,0 100,0% 100,0% 100,0%

Tdk teratur Pelayanan Antenatal Teratur

Total

Count Expected Count % within Pelayanan Antenatal % within Status Kematian Neonatal % of Total Count Expected Count % within Pelayanan Antenatal % within Status Kematian Neonatal % of Total Count Expected Count % within Pelayanan Antenatal % within Status Kematian Neonatal % of Total

Risk Estimate Value 95% Confidence Interval Lower Upper Odds Ratio for Pelayanan Antenatal (Tdk teratur / Teratur) For cohort Status Kematian Neonatal = Mati For cohort Status Kematian Neonatal = Hidup N of Valid Cases 9,159 5,132 ,560 129 3,288 2,164 ,442 25,514 12,171 ,711

Langkah 3 ; Analisis multivariat dengan Regresi Logistic Sederhana 13. Kembali ke file Master Data.sav, pilih Analyze -> Regressions -> Binary Logistic sehingga muncul menu Logistic Regession 14. Pilih variabel Status Kematian Neonatal dan masukkan ke kolom Dependent: sedangkan variabel lainnya di kolom Covariates: seperti pada tampilan berikut

15. Methode yang digunakan adalah Enter diartikan kita akan melihat pengaruh dari masing-masing terhadap var dependen kemudian menganalisis secara bersamaan. 16. Masih di menu Logistic Regression, pilih menu Option untuk menentukan jenis analisis multivariatnya sehingga muncul menu Logistic Regression:option 17. Beri centang Hosmer-Lemeshow goodness-of-fit, Correlations of estimates, Iteration history, CI for exp(B) 95%, dan Include constant in model, lalu Continue

18. Kembali ke menu Logistic Regression, pilih OK Hasil olah Regres Logistik Sederhana adalah sebagai berikut

Logistic Regression
Case Processing Summary Percent 129 100,0 Selected Cases 0 ,0 129 100,0 Unselected Cases 0 ,0 Total 129 100,0 a. If weight is in effect, see classification table for the total number of cases. Included in Analysis Missing Cases Total Unweighted Cases
a

Dependent Variable Encoding Original Value Internal Value Mati 0 Hidup 1

Block 0: Beginning Block

Iteration History -2 Log likelihood
a,b,c

Iteration

1 164,241 2 164,221 3 164,221 a. Constant is included in the model. b. Initial -2 Log Likelihood: 164,221 c. Estimation terminated at iteration number 3 because parameter estimates changed by less than ,001. Step 0

Coefficients Constant ,667 ,693 ,693

Classification Table Observed

a,b

Step 0

Status Kematian Neonatal Overall Percentage

Mati Hidup

Predicted Status Kematian Neonatal Mati Hidup 0 43 0 86

Percentage Correct ,0 100,0 66,7

a. Constant is included in the model. b. The cut value is ,500

B Step 0 Constant ,693

Variables in the Equation S.E. Wald ,187 13,773

df 1

Sig. ,000

Exp(B) 2,000

Step 0

Variables not in the Equation Score Asfi 91,507 BL 41,103 Variables UMR 3,512 Par ,017 ANC 22,053 Overall Statistics 94,163

df 1 1 1 1 1 5

Sig. ,000 ,000 ,061 ,897 ,000 ,000

Block 1: Method = Enter

Iteration History Iteration -2 Log likelihood Constant -5,656 -8,320 -9,793 -10,222 -10,257 -10,258
a,b,c,d

Par ANC 1 69,794 ,035 ,198 2 58,885 ,079 ,488 3 57,138 ,104 ,798 Step 1 4 57,022 ,103 ,935 5 57,021 ,102 ,950 6 57,021 ,102 ,950 a. Method: Enter b. Constant is included in the model. c. Initial -2 Log Likelihood: 164,221 d. Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001.

Asfi 3,001 3,971 4,425 4,571 4,585 4,585

Coefficients BL UMR ,666 -,120 1,346 -,304 1,791 -,510 1,919 -,604 1,929 -,614 1,929 -,614

Step 1

Omnibus Tests of Model Coefficients Chi-square df Step 107,199 5 Block 107,199 5 Model 107,199 5

Sig. ,000 ,000 ,000

Model Summary -2 Log likelihood Cox & Snell R Nagelkerke R Square Square a 1 57,021 ,564 ,784 a. Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001. Step

Step 1

Hosmer and Lemeshow Test Chi-square df 6,854 7

Sig. ,444

Step 1

1 2 3 4 5 6 7 8 9

Contingency Table for Hosmer and Lemeshow Test Status Kematian Neonatal = Mati Status Kematian Neonatal = Hidup Observed Expected Observed Expected 15 14,688 0 ,312 11 11,181 1 ,819 11 11,412 3 2,588 3 2,490 5 5,510 1 ,904 12 12,096 1 1,075 16 15,925 0 ,444 14 13,556 0 ,661 26 25,339 1 ,145 9 9,855

Total 15 12 14 8 13 17 14 26 10

Classification Table Observed

Step 1

Status Kematian Neonatal Overall Percentage

Mati Hidup

Predicted Status Kematian Neonatal Mati Hidup 38 5 4 82

Percentage Correct 88,4 95,3 93,0

a. The cut value is ,500

B Asfi BL UMR Par ANC Constant 4,585 1,929 -,614 ,102 ,950 -10,258

Variables in the Equation S.E. Wald df Sig. ,892 ,831 ,950 ,782 ,891 2,666 26,403 5,389 ,418 ,017 1,138 14,806 1 1 1 1 1 1 ,000 ,020 ,518 ,896 ,286 ,000

Exp(B) 97,988 6,882 ,541 1,107 2,586 ,000

Step 1

95% C.I.for EXP(B) Lower Upper 17,048 563,215 1,350 35,073 ,084 3,484 ,239 5,128 ,451 14,813

a. Variable(s) entered on step 1: Asfi, BL, UMR, Par, ANC.

Step 1

Constant Asfi BL UMR Par ANC

Constant 1,000 -,201 -,619 -,368 -,453 -,234

Correlation Matrix Asfi BL -,201 -,619 1,000 -,004 -,004 1,000 -,519 ,103 ,174 -,026 -,213 ,069

UMR -,368 -,519 ,103 1,000 -,042 -,014

Par -,453 ,174 -,026 -,042 1,000 -,201

ANC -,234 -,213 ,069 -,014 -,201 1,000

Sebelum download, harap tinggalkan email konfirmasi atau like di facebook atau follow my tweet Semoga bermanfaat dan ikuti kami selalu di lentera pena.