Anda di halaman 1dari 73

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

ANALISIS MULTIVARIAT

SUTANTO PRIYO HASTONO Departemen Biostatistik FKM UI 2006

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

11

ANALISIS MULTIVARIAT

Proses analisis multivariat dengan menghubungkan beberapa variabel independen dengan satu variabel dependen pada waktu yang bersamaan. Jumlah sampel dalam analisis multivariat sangat penting diperhatikan, sebaiknya jangan terlalu sedikit, pedoman yang berlaku adalah setiap variabel minimal diperlukan 10 responden. Bila dalam penelitian terdapat 10 variabel, maka diperlukan jumlah sampel minimal = 10 x 10 responden = 100 responden. Dari analisis multivariat kita dapat mengetahui: a. Variabel independen mana yang paling besar pengaruhnya terhadap variabel dependen? b. Apakah variabel independen berhubungan dengan variabel dependen dipengaruhi variabel lain atau tidak? c. Bentuk hubungan beberapa variabel independen dengan variabel dependen, apakah berhubungan langsung atau pengeruh tidak langsung. Prosedur pengujian tergantung dari jenis data yang diuji apakah katagori atau numerik. Berikut adalah gambaran secara garisbesar beberapa analisis statistik yang dapat digunakan untuk analisis multivariat: Variabel Independen Numerik (minimal 1 variabel numerik) Katagori Katagori (dapat dengan numerik) Kontinyu Numerik/Katgori Katagori Numerik waktu Uji Diskriminan Uji Regresi Cox Numerik Katagori ANOVA Uji Regresi Logistik Variabel Dependen Numerik Jenis Uji Uji Regresi Linier

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Dalam melakukan analisis multivariat kita harus mengetahui terlebih dahulu mengenai konsep konfounding dan Interaksi.

a.Konfounding
Konfounding merupakan kondisi bias dalam mengestimasi efek pajanan/expose terhadap kejadian penyakit/masalah kesehatan, akibat dari perbandingan yang tidak seimbang antara kelompok expose dengan kelompok non expose. Masalah ini terjadi dikarenakan pada dasarnya sudah ada perbedaan risiko terjadinya penyakit pada kelompok expose dengan kelompok non expose. Artinya risiko terjadinya penyakit pada kedua kelompok itu berbeda meskipun expose dihilangkan pada kedua kelompok tersebut. Satu variabel disebut konfounding bila variabel tersebut merupakan faktor risiko terjadinya penyakit dan memiliki hubungan dengan expose. Seorang ahli statistik menyatkan bahwa suatu variabel dikatakan konfounding jika variabel tersebut merupakan faktor risiko untuk terjadinya penyakit(outcome) dan berhubungan dengan variabel independen tapi tidak merupakan hasil dari variabel independen.

b.Interaksi
Interaksi atau efek modifikasi adalah heterogenitas efek dari satu expose Pada tingkat expose yang lain. Jadi efek satu expose pada kejadian penyakit berbeda pada kelompok expose lainnya. Tidak adanya modifikasi efek, berarti efek expose homogen. Modisikasi efek merupakan konsep yang penting dalam analisis karena pada saat analisis kita harus menentukan apakah akan melaporkan efek bersama (yang terkontrol konfounder) atau efek yang terpisah untuk masing-masing strata. Pada analisis multivariat, jika ditemukan adanya interaksi antar variabel expose dengan variabel lainnya, maka nilai koefisien, misalnya OR, harus dilaporkan secarfa terpisah menurut strata dari variabel tersebut. Nilai OR yang tertera pada variabel menjadi tidak berlaku dan nilai OR untuk masing-masing strata harus dihitung 3

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

12

ANALISIS REGRESI LINIER GANDA


Analisis Multiple regression Linear atau sering disebut juga analisis regresi

linier ganda merupakan perluasan analiss Simple Linear Regression (regresi linier sederhana). Dalam analisis Simple Linear Regression hanya ada satu variabel independen (variabel bebas) dihubungkan dengan satu variabel dependen (terikat).. Sedangkan pada Multiple regression Linear merupakan analisis hubugan antara beberapa variabel independen dengan satu variabel dependen. Misalkan untuk mengetahui faktor-faktor yang berhubungan dengan tekanan darah, dilakukan analisis dengan melibatkan variabel independen: umur, berat badan, dan jenis kelamin. Dalam regresi linier ganda variabel dependennya harus numerik sedangkan variabel independen boleh semuanya numerik dan boleh juga campuran numerik dan katagorik. Model persamaan regresi linier ganda merupakan perluasan regresi linier sederhana, yaitu: Y = a + b1X1 + b2X2 + . + bkXk + e 1. Asumsi Regresi Linier Seperti pada umumnya pengujian statistik, dari analisis regresi linier ganda diharapkan dapat memberikan informasi yang lebih banyak bukan sekedar diskripsi data teramati. Kita tentu ingin menarik inferensi (menggeneralisasi) tentang hubungan variabel-variabel dalam populasi asal dari sampel diambil. Bagaimanakanh hubungan antara umur, berat badan dan jenis kelamin pada semua orang (populasi), tidak hanya seperti yang teramati di sejumlah orang pada sampel?. Oleh karena itu agar inferensi kita valid maka dalam analisis regresi dianjurkan untuk mengikuti kaidah-kaidah yang dipersyaratkan dalam analisis regresi. Dengan kata lain, setiap melakukan analisis Multiple regression 4

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Linear harus memenuhi asumsi/persyaratan yang ditetapkan. Adapun asumsi


yang digunakan dalam Multiple regression Lineari sebagai berikut a. Asumsi Eksistensi (Variabel Random) Untuk tiap nilai dari variabel X (variabel independen), variabel Y (dependen) adalah variabel random yang mempunyai mean dan varian tertentu. Asumsi ini berkaitan dengan teknik pengambilan sampel. Untuk memenuhi asumsi ini, sampel yang diambil harus dilakukan secara random. Cara mengetahui asumsi eksistensi dengan cara melakukan analisis deskriptif vareiabel residual dari model, bila residual menunjukkan adanya mean dan sebaran (varian ata satandar deviasi) maka asumsi eksistensi terpenuhi. b. Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain. Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali. Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson, bila nilai Durbin 2 s.d. +2 berarti asumsi independensi terpenuhi, sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi c. Asumsi Linieritas Nilai mean dari variabel Y untuk suatu kombinasi X1, X2, X3, , Xk terletak pada garis/bidang linier yang dibentuk dari persamaan regresi. Untuk mengetahui asumsi linieritas dapat diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p value<alpha) maka moodel berbentuk linier. d. Asumsi Homoscedascity Varian nilai variabel Y sama untuk semua nilai variabel X. Homoscedasticity dapat diketahui dengan melakukan pembuatan plot residual. Bila titik tebaran tidak berpola tertentu dan menyebar merata disekitar garis titik nol maka dapat disebut varian homogen pada setiap nilai X dengan demikian asumsi homoscedasticity terpenuhi. Sebaliknya bila titik tebaran membentuk pola tertentu misalnya mengelompok di bawah atau di atas garis tengah nol, maka diduga variannya terjadi heteroscedasticity. 5

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

e. Asumsi Normalitas Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X. dapat diketahui dari Normal P-P Plot residual, bila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi model regresi tidak memenuhi asumsi normalitas. 2. Kegunaan Analisis Regresi Ganda Tujuan analisis regresi linier ganda adalah untuk menemukan model regresi yang paling sesuai menggambarkan faktor-faktor yang berhubungan dengan variabel dependen. Pada prinsipnya, model regresi ganda dapat berguna untuk dua hal: a. Prediksi, memperkirakan variabel dependen dengan menggunakan informasi yang ada pada sebuah atau beberapa variabel independen. Disini dapat diketahui secara probabilitas nilai variabel dependen bila seseorang/individu mempunyai suatu set variabel dengan independen tertentu. Misalnya kita melakukan analisis variabel independen umur, BB dan jenis kelamin dihubungkan dengan variabel dependen tekanan darah. Dari hasil regresi, seseorang iindividu dapat diperkirakantekanan darahnya pada umur, berat badan dan jenis kelamin tertentu. b. Estimasi, menguantifikasihubungan sebuah atau beberapa variabel independen dengan sebuah variabel dependen. Pada fungsi ini regresi dapat digunakan untuk mengetahui variabel indepeden apa saja yang berhubungan dengan variabel dependen. Selain itu kita juga dapat mengetahui seberapa besar hubungan masing-masing independen terhadap variabel independen lainnya. Dari analisis ini dapat diketahui variabel mana yang paling besar/dominan mempengaruhi variabel dependen, yang ditunjukkan dari koefisien regresi (b) yang sudah distandardisasi yaitu nilai beta.

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

3. Pemodelan Satu hal yang penting dalam regresi ganda adalah bagaimana memilih variabel independen sehingga terbentuk sebuah model yang paling sesuai menjelaskan/ mengambarkan variabel dependen yang sesungguhnya dalam alam (populasi). Dalam pembuatan model seringkali dijumpai pandangan yang kurang tepat yaitu memasukkan semua/sebanyak mungkin variabel independen ke dalam model. Alasannya, dengan memasukkan sebanyak mungkin variabel independen ke dalam model, maka variabel dependen diharapkan diprediksi dengan sempurna. Perlu diketahui bahwa penambahan variabel independen tidak selalu meningkatkan kemampuan prediksi variabel independen terhadap variabel dependen, sebab semakin banyak variabel independen (lebih-lebih variabel yang tidak relevan) mengakibatkan makin besarnya nilai standar error (Se). disamping itu, model dengan banyak variabel seringkali malah menyulitkan dalam interpretasi. Berdasarkanpertimbangan tersebut pemilihan variabel independen hendaknya dengan memperhatikan aspek statistik dan substansi. Model yang dihasilkan diharapkan model yang PARSIMONI, artinya variabel yang masuk dalam model sebaiknya yang sedikit jumlahnya, namun cukup baik untuk menjelaskan faktor-faktor penting yang berhubngan dengan variabel dependen. Banyak Kriteria yang dapat digunakan untuk memilih variabel masuk dalam model, salah satu kriteria yang sering digunakan adalah melihat perubahan R2 (R Square). Namun penggunaan kriteria ini perlu hati-hati, karena setiap penambahan satu variabel independen akan meningkatkan R2 walaupun variabel tersebuttidak cukup penting. Oleh karena itu model yang digunakan adalah model dengan nilai R2 yang besar namun variabel independennya dengan jumlah sedikit. Berikut langkah-langkah dalam pemodelan regresi linier ganda: 1). Melakukan analisis bivariat untuk menentukan variabel yang menjadi kandidat model. Masing-masing variabel independen dihubungkan dengan variabel 7

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

dependen (bivariat), bila hasil uji bivariat mempunyai nilai p<0,25, maka variabel tersebut masuk dalam model multivariat. Untuk variabel yang p value-nya > 0,25 namun secara substansi penting, maka variabel tersebut dapat masuk ke multivariat. 2) Lakukan analisis secara bersamaan, lakukan pemilihan variabel yang masuk dalam model. Ada beberapa metode untuk melakukan pemilihan variabel independen dalam analisis multivariat regresi linier ganda, yaitu: a). ENTER, memasukkan semua variabel independen dengan serentak satu langkah, tanpa melewati kriteria kemanaan statistik tertentu. Metode melakukan pertimbangan aspek substansi. b). FORWARD, measukkan satu persatu variabel dari hasil pengkorelasian variabel dan memenuhi kriteria kemaknaan statistik untuk masuk ke dalam model, sampai semua variabel yang memenuhi kriteria tersebut masuk ke dalam model. Variabel yang masuk pertama kali adalah variabel yang mempunyai korelasi parsial terbesar dengan variabel dependen dan yang memenuhi kriteria tertentu untuk dapat masuk model. Korelasi parsial adalah adalah korelasi antara variabel independen dengan dependen, kriteria variabel yang dapat masuk P-in (PIN) adalah 0,005 artinya variabel yang dapat masuk model bila variabel tersebut mempunyai nilai P lebih kecil atau sama dengan 0,05. c). BACKWARD, meamasukkan semua variabel ke dalam model, tetapi kemudian satu persatu variabel independen dikeluarkan dari model berdasarkan kriteria kemaknaan tertentu, variabel yang pertama kali dikeluarkan adalah variabel yang mempunyai korelasi parsial terkecil dengan variabel dependen. Kriteria pengeluaran atau P-out (POUT) adalah 0,10, artinya variabel yang mempunyai nilai P lebih besar atau sama dengan 0,10 dikeluarkan dari model. d). STEPWISE, model ini merupakan kombinasi antara metode backward dan Forward. Seperti halnya forward, metode Stepwise dimulai dari tanpa 8 ini yang tepat/sering digunakan, karena dalam pemodelan kita dapat

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

variabel

sama

sekali

di

dalam

model.

Lalu

satu

variabel

hasil dan

pengkorelasian variabel dimasukkan ke dalam model. Lalu satu persatu variabel hasil pengkorelasian dimasukkan ke dalam model dikeluartkan dari model dengan kriteria tertentu. Variabel yang pertama masuk sama dengan metode forward yakni variabel yang mempunyai korelasi parsial terbesar. Selanjutnya setelah masuk, variabel pertama ini diperiksa lagi apakah harus dikeluarkan dari model menurut kriteria pengeluaran seperti metode backward. e). REMOVE, mengeluarkan semua variabel independen dengan serentak satu langkah, tanpa melewati kriteria kemaknaan statistik tertentu.

3) Melakukan diagnostik regresi linier,


a). Melakukan pengujian terhadap kelima asumsi. b). Melakukan pengujian adanya kolinearitas. Kolinearitas terjadi bila antar variabel independen terjadi saling hubungan yang kuat. Untuk mengetahui adanya kolinearitas dapat dilihat dai nilai koefisien korelasi , bila nilai r lebih tinggi dari 0,8 maka terjadi kolinearitas. Selain itu dapat diketahui dari nilai VIF atau tolerance, bila nilai VIF > 10, atau tolerance sekitar 1 (satu) maka model terjadi kolinearitas. 4). Melakukan analisis interaksi. Setelah memperoleh model yang memuat variabel-variabel penting, maka langkah selanjutnya adalah memeriksa adanya interaksi antar variabel independen. Interaksi merupakan keadaan dimana hubungan antara satu variabel independen dengan dependen berbeda menurut tingkat variabel independen yang lain. 5). Penilaian reliabilitas model. Model regresi yang sudah terpilih perlu dicek reliabilitasnya dengan cara membagi (split) sampel ke dalam dua kelompok. Untuk masing-masing sampel dibuat model dengan variabel yang sama,

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

kemudian bandingkan antara model 1 dan model 2, bila hasilnya sama/hampir sama maka model regresi reliabel. Bila model reliabel maka seluruh sampel dapat digunakan untuk pembuatan model.

10

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

KASUS: REGRESI LINIER GANDA


Sebagai latihan kita melakukan analisis penelitian faktor-faktor yang berhubungan dengan berat badan bayi. Gunakan/aktifkan file data LBW.SAV. Variabel independennya meliputi berat badan ibu dlm pounds (BWT), umur ibu(AGE), riwayat hipetensi(HT), riwayat merokok(SMOKE), frekuensi mengalami prematur (PTL) dan frekuensi melakukan ANC (FTV). Variabel dependennya berat badan bayi (BWT). Kode variabel pada file data : LBW.SAV Nama Id Low Age Lwt Race Definisi Operasional Nomor Identitas Kondisi bayi dalam klasifikasi BBLR Umur ibu Berat ibu pada saat menstruasi terakhir Suku bangsa/ras 0 = 2500 g 1 = < 2500 g tahun pounds 1= putih 2= hitam 3 = lainnya Smoke Ptl Ht Ui Ftv Bwt Kebiasaan merokok selama hamil Riwayat mengalami prematur Riwayat menderita hipertensi Terjadi/mengalami iritability Uterine Frekuensi periksa hamil pada trimester pertama Berat badan bayi 0 = tidak 1 = ya 0 = tidak 1 = ya 0 = tidak 1 = ya 0 = tidak 1 = ya 0 ,1, 2 dst.. gram Hasil Ukur

11

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Data selengkapnya ada di lampiran:

A. Langkah pertama pemodelan: SELEKSI BIVARIAT


Seleksi bivariat masing-masing variabel independen dengan variabel dependen. Variabel yang dapat masuk model multivariat adalah variabel yang pada analisis bivariatnya mempunyai nilai p (p value) < 0,25. Namun ketentuan p value<0,25 ini tidaklah harus dipenuhi manakala dijumpai ada suatu variabel yang walaupun p value-nya > 0,25 karena secara substansi sangat penting berhubungan dengan variabel dependen, maka variabel tersebut dapat diikutkan dalam model multivariat. Uji yang digunakan pada analisis bivariat tergantung dari variabel yang digunakan, bila : variabel independennya numerik -> uji korelasi, bila independennya katagorik -> uji t atau uji anova. a. Bivariat uji korelasi : melakukan analisis bivariat untuk variabel independen berjenis numerik: variabel berat badan ibu, umur ibu, frekuensi prematur, frekuensi anc : Langkahnya : 1. Klik Analysis, sorot ke Correlate, sorot dan klik Bivariate 2. Muncul dilayar menu Bivariate Correlations 3. Pada kotak Variables, isikan semua variabel numerik baik untuk variabel independen (age,lwt,ptl,ftv) dan dependen (bwt)

12

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

4. Klik tombol OK Muncul dilayar hasil sbb:

Correlations
Correlations Weight of mother (pounds) .180* .013 189 1 189 .141 .054 189 -.140 .055 189 .186* .010 189 No History of physician prematur visits in first e labor trimester .215** .072 .003 .328 189 189 .141 -.140 .054 .055 189 189 1 -.044 .544 189 -.044 .544 189 .058 .426 189 189 1 189 -.155* .034 189 Birth weight (gram) .090 .219 189 .186* .010 189 .058 .426 189 -.155* .034 189 1 189

Age of mother

Weight of mother (pounds) No physician visits in first trimester

Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N

Age of mother 1 189 .180* .013 189 .215** .003 189 .072 .328 189 .090 .219 189

History of premature labor Birth weight (gram)

*. Correlation is significant at the 0.05 level (2-tailed). **. Correlation is significant at the 0.01 level (2-tailed).

13

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Hasil dari analisis bivariat dengan korelasi didapatkan nilai p value untuk variabel umur (p=219), berat badan (p=0,010), frekuensi anc (p=0,426), frekuensi prematur (p=0,034). Dari hasil ini dapat kita simpulkan bahwa variabel umur, berat badan dan frekuensi prematur mempunayi p value < 0,25, dengan demikian ketiga variabel tersebut dapat lanjut masuk ke pemodelan multivariat. Sedangkan untuk variabel frekuensi anc mempunyai p value > 0,25 (yaitu p=0,426) sehingga tidak bisa masuk ke multivariat, namun demikian oleh karena secara substansi frekuensi anc merupakan faktor yang sangat penting mempengaruhi berat badan bayi, maka variabel frekuensi anc tetap diikutkan dalam analisis multivariat.

b. Bivariat uji t: melakukan analisis bivariat untuk variabel independen


berjenis katagorik: merokok dan riwayat hipertensi

1. Merokok
Langkahnya: 1.Dari menu utama SPSS, pilih menu Analyze, kemudian pilih sub menu Compare Means, lalu pilih Independen-Samples T Test 2.Pada layar tampak kotak yang di dalamnya ada kotak Test variable

dan

Grouping Variable. Ket: kotak test varibles tempat memasukkan variabel numeriknya, sedangkan kotak grouping variable untuk memasukkan variabel
katagoriknya, ingat jangan sampai terbalik. 3.Klik bwt dan msukkan ke kotak Test variable 4.Klik variabel smoke dan masukkan ke kotakGrouping Variable.

14

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

5.Klik Define Group, kemudian di layar nampak kotak isian. Anda diminta mengisi kode variabel smoke ke dalam kedua kotak. Pada contoh ini, kita tahu bahwa 0 tidak merokok dan kode 1 untuk Yang merokok. Jadi ketiklah 0 pada

Group 1 dan 1 pada Group 2

1. Klik Continue 2. Klik OK untuk menjalankan prosedur perintahnya, dan hasilnya sbb:

T-Test
Group Statistics Smoking status No Yes N 115 74 Mean 3054.96 2773.24 Std. Deviation 752.409 660.075 Std. Error Mean 70.163 76.732

Birth weight (gram)

15

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Independent Samples Test Levene's Test for Equality of Variances

t-test for Equality of Means Sig. (2-tail ed) .009 Mean Differen ce 281.713 Std. Error Differenc e 106.969 95% Confidence Interval of the Difference Lower Upper 70.693 492.7

F Birth weight (gram) Equal variances assumed Equal variances not assumed 1.508

Sig. .221

t 2.634

df 187

2.709

170.0

.007

281.713

103.974

76.467

487.0

Hasil analisis hubungan merokok dengan berat bayi menghasilkan p value = 0,009, dengan demikian p value yang dihasilkan < 0,25 maka variabel merokok dapat lanjut ke multivariat.

2. Riwayat Hipertensi
Langkahnya: 1.Dari menu utama SPSS, pilih menu Analyze, kemudian pilih sub menu Compare Means, lalu pilih Independen-Samples T Test 2.Pada layar tampak kotak yang di dalamnya ada kotak Test variable

dan

Grouping Variable. Ket: kotak test varibles tempat memasukkan variabel numeriknya, sedangkan kotak grouping variable untuk memasukkan variabel
katagoriknya, ingat jangan sampai terbalik. 3.Klik bwt dan msukkan ke kotak Test variable 4.Klik variabel ht dan masukkan ke kotakGrouping Variable. (variabel yang sebelumnya (variabel smoke) dikeluarkan dahulu baru ht dimasukkan

16

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

5.Klik Define Group, kemudian di layar nampak kotak isian. Anda diminta mengisi kode variabel smoke ke dalam kedua kotak. Pada contoh ini, kita tahu bahwa 0 tidak ada hipertensi dan kode 1 ada hipertensi. Jadi ketiklah 0 pada

Group 1 dan 1 pada Group 2

6.Klik Continue 7.Klik OK untuk menjalankan prosedur perintahnya, dan hasilnya sbb:
Group Statistics History of hypertension No Yes N 177 12 Mean 2972.31 2536.75 Std. Deviation 709.226 917.341 Std. Error Mean 53.309 264.813

Birth weight (gram)

17

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Independent Samples Test Levene's Test for Equality of Variances

t-test for Equality of Means Std. Error Differen ce 215.709 95% Confidence Interval of the Difference Lower Upper 10.024 861.1

F Birth weight (gram) Equal variances assumed Equal variances not assumed 1.419

Sig. .235

t 2.019

df 187

Sig. (2-taile d) .045

Mean Differe nce 435.56

1.612

11.908

.133

435.56

270.126

-153.5

1025

Dari hasil analisis bivariat uji t antara variabel riwayat adanya hipertensi dengan berat bayi didapatkan p value = 0,045, berarti p valuenya < 0,25 sehiingga variabel riwayat adanya hipertensi dapat lanjut ke analisis multivariat Dengan demikian selesailah sudah seleksi semua variabel independen, dari 6 variabel independen semuaanya masuk ke proses berikutnya yaitu ke analisis multivariat.

B. Langkah Kedua : Pemodelan Multivariat


Setelah tahap bivariat selesai, tahap berikutnya melakukan analisis multivariat secara bersama-sama. Variabel yang valid dalam model multivariat adalah variabel yang mempunyai p value < 0,05. Bila dalam model multivariat dijumpai variabel yang p value nya > 0,05, maka variabel tersebut harus dikeluarkan dalam model. Pengeluaran variabel dilakukan tidak serempak, melainkan bertahap satu per satu dikeluarkan dimulai dari p value yang terbesar. Adapun proses selengkapnya sbb: 1. Klik Analyisis, sorot Regression, sorot dan klik Linier lalu muncul menu regresi linier,

a. Pada kotak dependen isikan variabel dependen (dalam hal ini


berarti bwt) dan kotak independen isikan variabel independennya (dalam hal ini age, lwt, smoke, ht, ptl, ftv) 18

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

5. Pada kotak Method, pilih Enter 6. Abaikan lainnya 7. Klik OK, dan hasilnya

Regression
Model Summary Model 1 R .340a R Square .116 Adjusted R Square .086 Std. Error of the Estimate 696.829

a. Predictors: (Constant), No physician visits in first trimester, Smoking status, History of hypertension, History of premature labor, Age of mother, Weight of mother (pounds)

19

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

ANOVAb Model 1 Sum of Squares 11543236 88373817 99917053 df 6 182 188 Mean Square 1923872.611 485570.423 F 3.962 Sig. .001a

Regression Residual Total

a. Predictors: (Constant), No physician visits in first trimester, Smoking status, History of hypertension, History of premature labor, Age of mother, Weight of mother (pounds) b. Dependent Variable: Birth weight (gram)

Coefficientsa Unstandardized Coefficients B Std. Error 2315.862 299.442 7.162 10.022 4.793 -232.253 -154.002 -574.230 -2.847 1.777 105.928 106.574 215.481 49.705 Standardized Coefficients Beta .052 .201 -.156 -.104 -.193 -.004

Model 1

(Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension No physician visits in first trimester

t 7.734 .715 2.698 -2.193 -1.445 -2.665 -.057

Sig. .000 .476 .008 .030 .150 .008 .954

a. Dependent Variable: Birth weight (gram)

Dari kotak Model Sumarry didapatkan nilai R Square sebesar 0,116, artinya keenamm variabel independen dapat menjelaskan variabel berat bayi sebesar 11,6 % sedangkan sisanya dijelaskan oleh variabel lain. Dari hasil uji statistik (lihat kotak anova) didapatkan p value = 0,001 berarti persamaan garis regresi secara keseluruhan sudah signifikan. Namun demikian prinsip pemodelan harus yang sederhana variabelnya sehingga masing-masing variabel indepeden perlu di cek nilai p valuenya, variabel yang p valuenya > 0,05 dikeluarkan daari model. Ternyata dari 6 variabel indepeden (lihat kolom sig di kotak Coefficients) ada 3 variabel yang p valuenya > 0,05, yaitu umur (age) p=0,476, riwayat prematur (history prematur) p=0,150 dan frekuensi anc (no physician) p=0,954. Tahap berikutnya mengeluarkan variabel yang p valuenya > 0,05, pengeluaran variabel dimulai dari p value yang terbesar. Dengan demikian variabel yang kita coba keluarkan adalah frekuensi anc(No physician..). 20

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Langkahnya: 1. Klik Analysis, sorot Regression, sorot dan klik Linier 2. Di layar nampak pada kotak Dependen masih terisi bwt lewati dan biarkan saja. Pada kotak Independen juga masih lengkap ada 6 variabel, namun sekarang anda harus keluarkan variabel no physician dan masukkan ke kotak Variable di sebelah kiri. 3. Klik OK, dan hasilnya sbb:
Model Summary Model 1 R R Square .340a .116 Adjusted R Square .091 Std. Error of the Estimate 694.929

a. Predictors: (Constant), History of hypertension, Smoking status, Age of mother, History of premature labor, Weight of mother (pounds)

Coefficientsa Unstandardized Coefficients B Std. Error 2317.608 297.074 7.051 9.807 4.781 -232.224 -153.747 -573.011 1.759 105.638 106.191 213.841 Standardized Coefficients Beta .051 .201 -.156 -.104 -.192

Model 1

(Constant) Age of mother Weight of mother (pounds) Smoking status History of premature labor History of hypertension

t 7.801 .719 2.718 -2.198 -1.448 -2.680

Sig. .000 .473 .007 .029 .149 .008

a. Dependent Variable: Birth weight (gram)

Setelah variabel frekuensi anc dikeluarkan, kita cek dulu apakah setelah dikeluarkan, ada perubahan besar( berubah lebih dari 10 %) untuk R Square dan Coef. B. Bila ada perubahan yang besar maka variabel tersebut tidak jadi dikeluarkan dalam model (tetap dipertahankan di model). Untuk nilai R Square ternyata tidak ada perunbahan yaitu tetap 0,116. Sedangkan untuk coefisian B, Sekarang kita bandingkan nilai coefisien B untuk variabel umur,

21

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

berat ibu, merokok, riwayat prematur dan riwayat hiperteni antara sebelum dan sesudah variabel frekuensi anc dikeluarkan, hasil perhitungannya sbb:

Variabel Age bwt smoke ptl hi ftv

Anc msih ada 7,1 4,7 -232,2 -154,0 -574,2 -2,8

Anc dikeluarkan 7,0 4,7 -232,2 153,7 573,0 -

perubahan Coef. 1,4 % 0% 0% 0,1 % 0,1 %

Dari perhitungan perubahan nilai coefisien B pada masing-masing variabel, ternyata tidak ada yang berubah lebih dari 10 %, dengan demikian variabel frekuensi anc kita keluarkan dari model. Selankutnya kita lihat kembali bahwa pada model masih ada variabel yang p value > 0,05. Sekarang kita akan keluarkan variabel umur (p value =0,473). Langkah/proses : 1. Klik Analysis, sorot Regression, sorot dan klik Linier 2. Di layar nampak pada kotak Dependen masih terisi bwt lewati dan biarkan saja. Pada kotak Independen juga masih terisi ada 5 variabel, namun sekarang anda harus keluarkan variabel umur (age) dan masukkan ke kotak Variable di sebelah kiri. 3. Klik OK, dan hasilnya sbb:
Model Summary Model 1 R R Square .336a .113 Adjusted R Square .094 Std. Error of the Estimate 694.016

a. Predictors: (Constant), History of hypertension, Smoking status, History of premature labor, Weight of mother (pounds)

22

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Coefficientsa Unstandardized Coefficients B Std. Error 2449.121 233.779 5.035 -236.420 -145.412 -582.566 1.721 105.338 105.417 213.148 Standardized Coefficients Beta .211 -.159 -.098 -.195

Model 1

(Constant) Weight of mother (pounds) Smoking status History of premature labor History of hypertension

t 10.476 2.925 -2.244 -1.379 -2.733

Sig. .000 .004 .026 .169 .007

a. Dependent Variable: Birth weight (gram)

Setelah variabel umur perhitungannya sbb: Variabel Age bwt smoke ptl hi ftv

dikeluarkan, nilai R Square ternyata ada sedikit coefisian B, , hasil

perunbahan yaitu menjadi 0,113. sedangkan untuk

Masih lengkap 7,1 4,7 -232,2 -154,0 -574,2 -2,847

umur dikeluarkan 5,0 -236,4 145,4 582,5 -

perubahan Coef. 6,3 % 1,8 % 6,1 % 1,3 %

Dari hasil perhitungan perubahan coef. Ternyata tidak ada yang lebih dari 10 %, dengan demikian variabel umur kita keluarkan dari model. Langkah selanjutnya mengeluarkan variabel Riwayat mengalami prematur, Prosesnya/langkahnya sama dengan diatas, Klik Analysis, sorot Regression, ..dst. Pada kotak independen variabel riwayat mengalami prematur dikeluarkan dan dimasukkan ke kotak variable disebelah kiri, dan hasilnya sbb:

23

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Model Summary Model 1 R R Square .322a .104 Adjusted R Square .089 Std. Error of the Estimate 695.707

a. Predictors: (Constant), History of hypertension, Smoking status, Weight of mother (pounds)

Coefficientsa Unstandardized Coefficients B Std. Error 2390.105 230.391 5.352 -263.009 -586.722 1.710 103.812 213.646 Standardized Coefficients Beta .224 -.177 -.197

Model 1

(Constant) Weight of mother (pounds) Smoking status History of hypertension

t 10.374 3.130 -2.534 -2.746

Sig. .000 .002 .012 .007

a. Dependent Variable: Birth weight (gram)

Hasil R Square turun sedikit yaitu menjadi 0,104. Sedangkan hasil perhitungan perubahan Coef. B dapat dilihat sbb: Variabel Age bwt smoke ptl hi ftv Masih lengkap 7,1 4,7 -232,2 -154,0 -574,2 -2,847 Prematur keluar 5,3 -236,4 582,5 perubahan Coef. 12,3 % 1,7 % 1,3 %

Hasil perhitungan setelah dikeluarkan variabel prematur, ternyata coefisin B pada variabel beat badan ibu (bwt) beubah sebesar 12,3 % dengan demikian variabel riwayat mengalami prematur tidak jadi dikeluarkan dan tetap dipertahankan dalam model multivariat. Dari hasil analisis ternyata tidak ada lagi yang p valuenya > 0,05 dengan demikian proses pencarian variabel yang masuk dalam model telah selesai dan model yang terakhir adalah sbb: 24

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Model Summaryb Model 1 R R Square .336a .113 Adjusted R Square .094 Std. Error of the Estimate 694.016 DurbinWatson .222

a. Predictors: (Constant), History of premature labor, History of hypertension, Smoking status, Weight of mother (pounds) b. Dependent Variable: Birth weight (gram)

Coefficientsa Stand ardize d Coeffi cients Beta .211 -.159 -.195 -.098 t 10.476 2.925 -2.244 -2.733 -1.379 Sig. .000 .004 .026 .007 .169

Mo de l 1

Unstandardized Coefficients B 2449.121 5.035 -236.420 -582.566 -145.412 Std. Error 233.779 1.721 105.338 213.148 105.417

Collinearity Statistics Tolera nce VIF .925 .964 .943 .947 1.081 1.037 1.060 1.056

(Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor

a. Dependent Variable: Birth weight (gram)

Langkah selanjutnya UJI ASUMSI


Agar persaman garis yang digunkan untuk memprediksi menghasilkan angka yang valid, maka persamaan yang dihasilkan harus memenuhi asumsi-asumsi yang diersyaratkan uji regresi linier ganda. Adapun uji asumsinya sbb: Langkahnya: 1.Klik Analysis, sorot Regression, sorot dan klik Linier 2. Masukkan dalam kotak Dependen variabel bwt 3. Masukan dalam kotak Independen variabel berat badan ibu (lwt), merokok(smoke), riwayat hipertensi (hi) dan variabel riwayat prematur(ptl)

25

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

4.Klik tombol Statistics 5. Klik kotak Collinearity diagnostic dan klik kotak Covariance matrix (perintah ini untuk uji asumsi multicoliniarity) 6. Klik kotak Durbin-Watson (perintah ini untuk uji asumsi Independensi)

7. Klik Continue 26

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

8. Klik tombol Plot 9. Masukkan SRESID ke kotak Y, dan masukan ZPRED ke kotak X (perintah ini untuk uji asumsi Homoscedasity) 10. Klik kotak histogram dan kotak Normal probability plot (perintah ini untuk uji asumsi Normality)

11. Klik Continue Hasilnya : a. Asumsi Eksistensi (Variabel Random) Untuk tiap nilai dari variabel X (variabel independen), variabel Y (dependen) adalah variabel random yang mempunyai mean dan varian tertentu. Asumsi ini berkaitan dengan teknik pengambilan sampel. Untuk memenuhi asumsi ini, sampel yang diambil harus dilakukan secara random. Cara mengetahui asunsi eksistensi dengan cara melakukan analisis deskriptif vareiabel residual dari model, bila residual menunjukkan adanya mean mendekati nilai nol dan ada sebaran (varian ata satandar deviasi) maka asumsi eksistensi terpenuhi. Hasil analisis:

27

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Residuals Statisticsa Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cook's Distance Centered Leverage Value Minimum 2249.77 -2.835 67.193 1955.43 -2082.610 -3.001 -3.015 -2102.316 -3.084 .768 .000 .004 Maximum 3602.03 2.682 292.804 3616.97 1921.631 2.769 2.782 1940.423 2.835 32.469 .209 .173 Mean 2944.66 .000 103.399 2943.73 .000 .000 .001 .923 .000 3.979 .007 .021 Std. Deviation 245.079 1.000 45.407 251.196 686.593 .989 1.005 708.619 1.010 5.320 .019 .028 N 189 189 189 189 189 189 189 189 189 189 189 189

a. Dependent Variable: Birth weight (gram)

Hasil dari output diatas menunjukkan angka residual dengan mean 0,000 dan standar deviasi 686,59. Dengan demikian asumsi Eksistensi terpenuhi b. Asumsi Independensi Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain. Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai observasi yang berbeda yang diukur dari satu individu diukur dua kali. Untuk mengetahui asuamsi ini dilakukan dengan cara mengeluarkan uji Durbin Watson, bila nilai Durbin 2 s.d. +2 berarti asumsi independensi terpenuhi, sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi tidak terpenuhi
Model Summaryb Model 1 R R Square .336a .113 Adjusted R Square .094 Std. Error of the Estimate 694.016 DurbinWatson .222

a. Predictors: (Constant), History of premature labor, History of hypertension, Smoking status, Weight of mother (pounds) b. Dependent Variable: Birth weight (gram)

Dari hasil uji didapatkan koefisien Durbin Watson independensi terpenuhi.

0,222, berarti asumsi

28

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

c. Asumsi Linieritas Nilai mean dari variabel Y untuk suatu kombinasi X1, X2, X3, , Xk terletak pada garis/bidang linier yang dibentuk dari persamaan regresi. Untuk mengetahui asumsi linieritas dapat diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p value<alpha) maka moodel berbentuk linier. Hasil uji asumsi :
b ANOVA

Model 1

Regression Residual Total

Sum of Squares 11291987 88625066 99917053

df 4 184 188

Mean Square 2822996.778 481657.965

F 5.861

Sig. .000a

a. Predictors: (Constant), History of premature labor, History of hypertension, Smoking status, Weight of mother (pounds) b. Dependent Variable: Birth weight (gram)

Dari output diatas menghasilkan uji anova 0,0005, berarti asumsi linearitas terpenuhi

d. Asumsi Homoscedascity Varian nilai variabel Y sama untuk semua nilai variabel X. Homoscedasticity dapat diketahui dengan melakukan pembuatan plot residual. Bila titik tebaran tidak berpola tertentu dan menyebar merata disekitar garis titik nol maka dapat disebut varian homogen pada setiap nilai X dengan demikian asumsi homoscedasticity terpenuhi. Sebaliknya bila titik tebaran membentuk pola tertentu misalnya mengelompok di bawah atau di atas garis tengah nol, maka diduga variannya terjadi heteroscedasticity. 29

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Scatterplot

Dependent Variable: Birth weight (gram)


3

Regression Studentized Residual

-1

-2

-3

-4 -3 -2 -1 0 1 2 3

Regression Standardized Predicted Value

Dari hasil plot diatas terlihat tebaran titik mempunyai pola yang sama antara titik-titik diatas dan dibawah garis diagonal 0. Dengan demikian asumsi homoscedasity terpenuhi e. Asumsi Normalitas Variabel Y mempunyai distribusi normal untuk setiap pengamatan variabel X. dapat diketahui dari Normal P-P Plot residual, bila data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal, maka model regresi memenuhi asumsi model regresi tidak memenuhi asumsi normalitas.

30

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Histogram

Dependent Variable: Birth weight (gram)

40

30

Frequency

20

10

0 -4 -3 -2 -1 0 1 2 3

Mean = -2.53E-16 Std. Dev. = 0.989 N = 189

Regression Standardized Residual

31

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Normal P-P Plot of Regression Standardized Residual

Dependent Variable: Birth weight (gram)


1.0

0.8

Expected Cum Prob

0.6

0.4

0.2

0.0 0.0 0.2 0.4 0.6 0.8 1.0

Observed Cum Prob

Dari grafik histogram dan grafik normal P-P plot terbukti bahwa bentuk distribusinya normal, berarti asumsi normality terpenuhi. f.Diagostik Multicollinearity Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi secara kuat (multicollinearity). Untuk mendeteksi collinearity dapat diketahui dari nilai VIF (variance inflation factor), bila nilai VIF lebih dari 10 maka mengindikasikan telah terjadi collinearity.

32

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Coefficientsa Stand ardize d Coeffi cients Beta .211 -.159 -.195 -.098 t 10.476 2.925 -2.244 -2.733 -1.379 Sig. .000 .004 .026 .007 .169

Mo de l 1

Unstandardized Coefficients B 2449.121 5.035 -236.420 -582.566 -145.412 Std. Error 233.779 1.721 105.338 213.148 105.417

Collinearity Statistics Tolera nce VIF .925 .964 .943 .947 1.081 1.037 1.060 1.056

(Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor

a. Dependent Variable: Birth weight (gram)

Dari hasil uji asumsi didapatkan nilai VIF tidak lebih dari 10, dengan demikian tidak ada Multicollinearity antara sesama variabel indepeden Dari hasil uji asumsi dan uji kolinearitas ternyata semua asumsi terpenuhi sehingga model dapat digunakan untuk memprediksi berat badan bayi. Langkah sekanjutnya adalah UJI INTERAKSI, Namun karena secara substansi antar variabel dipandang tidak interaksi maka uji interaksi tidak dilakukan. Sehingga model yang terakhir adalah sbb:
Model Summaryb Model 1 R R Square .336a .113 Adjusted R Square .094 Std. Error of the Estimate 694.016 DurbinWatson .222

a. Predictors: (Constant), History of premature labor, History of hypertension, Smoking status, Weight of mother (pounds) b. Dependent Variable: Birth weight (gram)

33

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Coefficientsa Stand ardize d Coeffi cients Beta .211 -.159 -.195 -.098 t 10.476 2.925 -2.244 -2.733 -1.379 Sig. .000 .004 .026 .007 .169

Mo de l 1

Unstandardized Coefficients B 2449.121 5.035 -236.420 -582.566 -145.412 Std. Error 233.779 1.721 105.338 213.148 105.417

Collinearity Statistics Tolera VIF nce .925 .964 .943 .947 1.081 1.037 1.060 1.056

(Constant) Weight of mother (pounds) Smoking status History of hypertension History of premature labor

a. Dependent Variable: Birth weight (gram)

Interpretasi model: Setelah dilakuikan analisis ,ternyata variabel independen yang masuk model regresi adalah berat badan ibu, ibu merokok, riwayat hipertensi, dan riwayat prematur. Pada tabel Model Summary terlihat koefisien determinasi (R square) menunjukkan nilai 0,113 artinya bahwa model regresi yang diperoleh dapat menjelaskan 11,3 % variasi variabel dependen berat bayi. Atau dengan kata lain keempat variabel independen tsb dapat menjelaskan variasi variabel berat bayi sebesar 11,3 %.. Kemudian pada kotak ANOVA, kita lihat hasil uji F yang menunjukkan nilai P (sig) = 0,000, berarti pada alpha 5% kita dapat menyatakan bahwa model regresi cocok (fit) dengan data yang ada. Atau dapat diartikan kedua variabel tersebut secara signifikan dapat utnuk memprediksi variabel berat bayi. Pada kotak Coefficient kita dapat memperoleh persamaaan garisnya, pada kolom B (di bagian Variabel In Equation) di atas, kita dapat mengetahui koefisien regresi masing-masing variabel. Dari hasil di atas, peresamaat regresi yang diperoleh adalah Berat Bayi = 2449,1+5,0 Lwt 236,4 smoke - 582Hi 145,4 Ptl

34

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Dengan model persamaan ini, kita dapat memperkirakan berat badan bayi dengan menggunakan variabel berat badan ibu, merokok dan hipertensi. Adapun arti koef. B untuk masing-masing variabel adalah sbb: Setiap kenaikan berat badan ibu sebesar 1 kg, maka berat badan bayi akan naik sebesar 5,0 gram setelah dikontrol variabel merokok, hipertensi dan prematur Pada ibu yang merokok berat bayinya akan lebih rendah sebesar 236,4 gram setelah dikontrol variabel berat badan, hipertensi dan prematur. Pada ibu yang menderita hipertensi,berat bayinya akan lebih rendah sebesar 582,5 gram setelah dikontrol variabel berat badan ibu, merokok dan prematur. Kolom Beta dapat digunakan untuk mengetahui variabel mana yang paling besar peranannya (pengaruhnya) dalam menentukan variabel dependennya (berat badan bayi). Semakin besar nilai beta semakin besar pengaruh nya terhadap variabel dependennya. Pada hasil di atas berarti variabel yang paling besar pengaruhnya terhadap penentuan berat badan bayi adalah berat badan ibu..

35

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

13
puas dll).

REGRESI LOGISTIK

Berbeda dengan regresi linier yang variabel dependennya numerik, regreesi logistik merupakan jenis regresi yang mempunyai ciri khusus, yaitu variabel dependennya berbentuk variabel katagorik (terutama yang dikotomus, artinya katagorik yang terdiri dari dua kelompok, misalnya hidup/mati, puas/tidak A. REGRESI LOGISTIK SEDERHANA 1. Pendahuluan Analisis regresi logistik adalah salah satu pendekatan model matematis yang digunakan untuk menganalisis hubungan satu atau beberapa variabel independen dengan sebuah variabel dependen katagorik yang bersifat dikotom/binary. Variabel katagorik yang dikotom adalah variabel yang

mempunyai dua nilai variasi, misalnya sakit-tidak Sakit, bayi BBLR dan Normal, merokok dan tidak merokok, dan lain-lain Perbedaan antara regresi linear dengan regresi logistik terletak pada jenis variabel dependennya. Regresi linear digunakan apabila variabel dependennya numerik , sedangkan regresi logistik diogunakan pada data yang dependennya berbentuk katagorik yang dikotom. Untuk memahami lebih jelas tentang regresi logistik coba kita lihat contoh analisis penelitian yang mempelajari hubungan antara variabel umur dengan kejadian penyakit jantung koroner. Pengamatan dilakukan pada 100 orang sampel, didapatkan hasil : No PJK 1 0 2 22 0 3 23 1 4 24 0 5 25 0 6 27 1 7 28 0 8 29 1 9 30 1 10 32 0 11 33 0 100 70 1 Umur 20

36

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Nomor merupakan nomor urut responden dan PJK merupakan variabel kejadian jantung koroner. Variabel PJK diberi kode 1 bila responden menderita PJK dan diberi kode 0 bila mereka tiodak menderita PJK. Bila data tersebut kita perlakukan analisisnya menggunakan regresi linier, misalnya dibuat penyajian dalam bentuk diagram tebar (Scatter Plot), maka hubungannya tidak jelas terlihattebaran data pada Scatter Plot membentuk dua garis yang sejajar. Diagram tebat menunjukkan adanya kecenderungan kejadian penyakit jantung koroner yang lebih sedikit pada responden yang berusia muda. Walaupun grafik tersebut telah dapat menggambarkan/menjelaskan variabel dependen (kejadiab PJK) yang cukup jelas, namun grafik tersebut tidak mampu menggambarkan dengan lebih tajam/jelas hubungan antara umur dangan kejadian PJK.

Untuk

mempertajam

analisis

kita,

sekarang

dicoba

untuk

mengelompokkan variabel independen (variabel umur) dan menhitung nilai tengah (dalam hal ini menghitung proporsi) variabel dependen (variabel PJK) untuk setiap kelompok variabel umur dan kejadian jantung dapat dilihat pada tabel berikut:

37

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Umur 20 29 30 34 35 39 40 44 45 49 50 54 55 59 60 69 Total

Jumlah 10 15 12 15 13 8 17 10 100

PJK Tidak 9 13 9 10 7 3 4 2 57 Ya 1 2 3 5 6 5 13 8 43

Proporsi Kejadian 0,10 0,13 0,25 0,33 0,46 0,63 0,76 0,80 0,43

Pada tabel terlihat bahwa ada peningkatan proporsi kejadian jantung pada kelompok umur semakin tua/lanjut. Kemudian kita coba sajikan data tersebut dengan grafik dan hasilnya dapat dilihat pada grafik berikut:
0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 20 - 29 30 34 35 39 40 44 45 49 50 54 55 59 60 69

Pada grafik tyer;lihat jelas adanya peningkatan yang tidak linear antara proporsi kejadian PJK dengan peningkatan umur. Diawali peningkatan yang landai, kemudian meningkat tajam dan kemudian landai kembali, garis tersebut menyerupai huruf S. Kalau kita cermati, pembuatan diagram tebar tersebut merupakan cara untuk mendeteksi/mengetahui hubungan pada analisis regresi linier, namun ada 38

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

sedikit perbedaan hal dalam hal meringkas variabel dependennya. Seperti kita ketahui bahwa pada regresi linier kita ingin mengestimasi nilai mean variabel dependen berdasarkan setiap nilai variabel independen. Nilai tersebut disebut sebagai mean kondisional yang dinyatakan dengan E(Y/x), dengan Y sebagai dependen dan x sebagi independen. E(Y/x) adalah nilai Y yang diharapkan berdasarkan nilai x. misal Y variabel tekanan darah dan x variabel umur, maka untuk mengetahui estimasi tekanan darah berdasarkan umu, dihitung rata-rata (mean) tekanan darah pada masing-masing nilai umur. Pada regresi linier nilai E(Y/x) akan berkisar antara 0 s.d (0 E(Y/x) ). Pada regresi logistik dapat juga diperlakukan hal tersebut namun ada sedikit perbedaan dalam menghitung rata-rata variabel dependennya (Y). oleh karena pada regresi logistik dependennya adalah dikotom maka variabel dependen dihitung bukan dengan mean namun menggunakan proporsi. Seperti pada data di atas variabel Y kejadia PJK dan x variabel umur, maka untuk mengetahui estimasi kejadian PJK berdasarkan umur, dihitung proporsi kejadian PJK pada tiap kelompok umur. Pada regresi logistik, nilai E(Y/x) akan selalu berada antara nol dan satu (0 E(Y/x) 1).

2. Model Logistik f(z) = 1 . 1 + e-z

f(Z) merupakan propbabilitas kejadian suatu penyakit berdasarkan faktor risiko tertentu. Misalnya probabilitas kejadian jantung pada umur tertentu. Nilai Z merupakan nilai indeks variabel independen. Nilai Z bervariasi antara - sampai +. Bila nilai Z mendekati maka f( ) = 1 . =0 1 + e-( )

39

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Bila nilai Z mendekati + maka f(+ ) = Fungsi Logistik dapat digambarkan sbb:

. =1

1 + e-(+ )

Terlihat bahwa fungsi f(Z) nilai berkisar 0 dan 1 berapapun nilai Z. kisaran pada regresi logistik ini berari cocok/sesuai digunakan untuk model hubungan yang variabel dependennya dikotom. Grafik f(Z) membentuk garis yang berbentuk huruf S, ini berarti sesuai dengan contoh plot hubungan antara PJK dengan umur pada kasus yang telah kita bahas di atas. Bentuk S ini mencerminkan tentang pengaruh nilai Z pada risiko individu yang minimal pada nilai Z rendah kemudian seiring dengan meningkatnya nilai Z risiko juga semakin meningkat, dan pada ketinggian tertentu garisnya akan mendatar mendekati nilai 1. Berdasarkan uaraian tersebut maka bila ingin mengestimasi suatu probabilitas kejadian pada dependen yang dikotom maka model regresi logistik adalah pilihan yang tepat. 3. Model Logistik Model logistik dikembangkan dari funsi logistik dengan nilai Z merupakan penjumlahan linear konstanta () ditambah dengan 1X1, ditambah 2X2 dan seterusnya sampai iXi. Variabel X adalah variabel Independen. 40

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Z = + 1X1 Z = + 1X1 + 2X2 + + iXi

(Regresi logistik sederhana) (Regresi logistik berganda)

Bila nilai Z dimasukkan pada fungsi Z, maka rumus fungsi Z adalah

f(z) =

1 + e-( + 1X1 + 2X2 + + iXi)


4. Contoh Kasus Contoh studi follow up selama 9 tahun. Dalam studi ini dipelajari mengenai hubungan antara kejadian penyakit jantung koroner (dengan nama vaiabel PJK) dengan tinggi rendahnya kadar katekolamin dalam darah (nama variabel KAT). Pemberian kode nilai variabel adalah sbb: Untuk variabel PJK Untuk variabel KAT Pertanyaan: a. Berapa peluang mereka yang kadar katekolaminnya tinggi mempunyai risiko untuk terjadi PJK? b. Berapa peluang mereka yang kadar katekolaminnya rendah mempunyai risiko untuk terjadi PJK? c. Bandingkan risiko terjadi PJK antara mereka yang kadar katekolaminnya tinggi dengan yang kadar katekolaminnya rendah? Jawab: Dengan model regresi logistik maka pada soal tersebut modelnya adalah: f(z) = 1 . 1 + e-z 41 1 = timbul penyakit jantung koroner 0 = tidak ada penyakit jantung koroner 1 = kadar katekolamin darah tinggi 0 = kadar katekolamin darah rendah

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Nilai f(z) dapat diganti dengan P(X), maka rumusnya: P(X) = 1 . 1 + e-z

Bila Z = + 1KAT, maka modelnya : P(X) = 1 . 1 + e- + 1KAT

Misdalkan didapatkan hasil analisis dengan paket program statistik sbb: = -3,911 dan 1 = 0,652, maka: P(X) = 1 . 1 + e-(-3,911 + 0,652KAT)

Dari model tersebut coba kita jawab pertanyaan di atas: a. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya tinggi. Oleh karena kadar katekolamin tinggi diberi angka 1, maka masukkan nilai KAT=1 pada model di atas, hasilnya: P(X) = 1 . = 0,037 atau sekitar 4% 1 + e-(-3,911 + 0,652*1) jadi mereka/individu yang kadar katekolaminnya tinggi dalam darah mempunyai risiko untuk terjadinya PJK sebesar 4% selama periode follow up. b. Besar risiko terjadinya PJK pada mereka yang kadar katekolaminnya rendah Oleh karena kadar katekolamin rendah diberi angka 0, maka masukkan nilai KAT=0 pada model di atas, hasilnya: P(X) = 1 . = 0,019 atau sekitar 2% 1 + e-(-3,911 + 0,652*0) jadi mereka/individu yang kadar katekolaminnya rendah dalam darah mempunyai risiko untuk terjadinya PJK sebesar 2% selama periode follow up. c. Besar risiko kedua kelompok tersebut P1(X) = 0,037 = 1,947 = 2,0 P0(X) 0,019 Angka tersebut di atas sebenarnya adalah risiko relatif (RR)yang diperoleh secara direk. Arti dari angka di atas adalah mereka yang kaadar 42

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

katekolaminnya tinggi mempunyai risiko terjadi PJK dua (2) kali lebih tinggi dibandingkan mereka yang kadar katekolaminnya rendah. Model regresi logistik dapat digunakan pada data yang dikumpulkan melalui rancangan kohort, case control maupun cross sectional. Pada rancangan kohort prospektif dapat digunakan untuk memperkirakan risiko individual. Sedangkan pada rancangan case control dan cross sectional tidak dapat digunakan untuk menghitung risiko individual karena 0 pada rancangan ini tidak sahih. Nilai 0 dapat dihitung/diestimasi bila sampling fraction populasi yang disampel diketahui-kondisis ini hanya terjadi pada rancangan kohort (ket: sampling fraction adalah proporsi terpapar yang menjadi sakit atau tidak sakit). Namun dengan memperlakukan rancangan case control dan cross sectional sebagai studi follow up, maka dapat dihitung OR (Odds Ratio), yang merupakan perhitungan RR yang indirek. Nilai OR yang merupakan yang merupakan perhitungan eksponensial dari persamaan garis regresi logistik. Odds Ratio (OR) = exp() atau dapat ditulis OR = e() Dengan demikian dapat disimpulkan bahwa Individual Risk (ririko

individu) hanya dapat diperoleh dari rancangan kohor prospektif. Sedangkan pada rancangan case control, cross sectional tidak dapat melakukan prediskis risiko individual. Pada rancangan case control dan cross sectional dan cohort dapat dihitung nilai Odds Ratio (OR), yang merupakan perhitungan RR indirek. Pada rancangan kohort prospektif regresi logistik dapat digunakan untuk memprediksi/menaksir probabilitas individu untuk sakit (atau meninggal) berdasarkan nilai-nilai sejumlah variabel yang diukur padanya. Prediksi dapat digunakan dengan model: P(X) = 1+e
-( + 1X1 + 2X2 + + iXi

43

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

B. REGRESI LOGISTIK GANDA Pada pembahasan di atas sudah diperkenalkan mengenai regresi logistik sederhana. Seperti juga pada regresi linier, keuntunngan regresi logistik ganda adalah kemampuannya untuk memasukkan beberapa variabel dalam satu model. Pada regresi logistik, variabel independennya boleh campuran antara variabel katagorik dan numerik. Namun sebaiknya variabel independennya berupa katagorik karena dalam menginterpretasi hasil analisis akan lebih mudah. Kegunaan analisis regresi logistik ganda mencakup dua hal, yaitu: a. Model Prediksi Pemodelan dengan tujuan untuk memperoleh model yang tediri dari beberapa variabel independen yang dianggap terbaik untuk memprediksi kejadian variabel dependen. Pada pemodelan ini semua variabel dianggap penting sehingga estimasi dapat dilakukan estimasi beberapa koefisien regresi logistik sekaligus. Bentuk kerangka konsep model regresi : X1 X2 X3 X4 Prosedur pemodelan: Agar diperoleh model regresi yang hemat dan mampu menjelaskan hubungan variabel independen dan independen dalam populasi, diperlukan prosedur pemilihan variabel sbb: 1). Melakukan analisis bivariat antara masing-masing variabel independen dengan variabel dependennya. Bila hasil uji bivariat mempunyai nilai p < 0,25, maka variabel tersebut dapat masuk model multivariat. Namun bisa saja p value > 0,25 tetap diikutkan ke multivariat bila variabel tsb secara substansi penting.

44

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

2). Memilih variabel yang dianggap penting yang masuk dalam model, dengan cara mempertahankan variabel yang mempunyai p value < 0,05 dan mengeluarkan variabel yang p valuenya > 0,05. Pengeluaran variabel tidak serentak semua yang p valuenya > 0,05, namun dilakukan secara bertahap dimulai dari variabel yang mempunyai p value terbesar. 3). Identifikasi linearitas variabel numerik dengan tujuan untuk menentukan apakah variabel numerik dijadikan variabel katagorik atau tetap variabel numerik. Caranya dengan mengelompokkan variabel numerik ke dalam 4 kelompok berdasarkan nilai kuartilnya. Kemudian lakukan analisis logistik dan dihitung nilai OR-nya. Bila nilai OR masing-masing kelompok menunjukkan bentuk garis lurus, maka variabel numerik dapat dipertahankan. Namun bila hasilnya menunjukkan adanya patahan, maka dapat dipertimbangkan dirubah dalam bentuk katagorik. 4). Setelah memperoleh model yang memuat variabel-variabel penting, maka langkah terakhir adalah memeriksa kemungkinan interaksi variabel ke dalam model. Penentuan variabel interaksi sebiknya melalui pertimbangan logika substantif. Pengukian interaksi dilihat dari kemaknaan uji statistik. Bila variabel mempunyai nilai bermakna, maka variabel interaksi penting dimasukkan dalam model. b. Model Faktor Risiko Pemodelan dengan tujuan mengestimasi secara valid hubungan satu variabel utama dengan variabel dependen dengan mengontrol beberapa variabel konfonding. Bentuk kerangka konsep model faktor risiko: X1 Y

X2 X3 X4 45

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Tahapan pemodelan: 1). Lakukan pemodelan lengkap, mencakup variabel utama , semua kandidat konfonding dan kandidat interaksi (interaksi diabuat antara variabel utama dengan semua variabel konfonding). 2). Lakukan penilaian interaksi, dengan cara mengeluarkan variabel interaksi yang nilai p Wald-nya tidak signifikan dikeluarkan dari model secara berurutan satu per satu dari nilai p Wald yang terbesar. 3). Lakukan penilaian konfonding, dengan cara mengeluarkan variabel kovariat/ konfonding satu per satu dimuali dari yang memiliki nilai p Wald terbesar, bila setelah dikeluarkan diperoleh selisih OR faktor/variabel utama antara sebelum dan sesudahvariabel kovariat (X1) dikeluarkan lebih besar dari 10%, maka variabel tersebut dinyatakan sebagai konfonding dan harus tetap berada dalam model.

46

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

KASUS I :

REGRESI LOGISTIK MODEL PREDIKSI


Untuk latihan, gunakan file data LBW.SAV Suatu penelitian ingin mengetahui hubungan antara UMUR IBU (age) , RAS (race), MENDERITA HIPERTENSI (ht), ADA KELAINAN UTERUS (ui) dan PERIKSA HAMIL (ftv) dengan BBLR (low).

Adapun langkahnya:

A. SELEKSI BIVARIAT
Masing-masing variabel independen dilakukan analisis bivariat dengan variabel dependen. Bila hasil bivariat menghasilkan p value < 0,25, maka variabel tersebut langsung masuk tahap multivariat. Untuk variabel independen yang hasil bivariatnya menghasilkan p value > 0,25 namun secara substansi penting, maka variabel tersebut dapat dimasukkan dalam model multivariat. Seleksi bivariat menggunakan uji regresi logistik sederhana. 1.Analisis bivariat antara umur denganbblr 1. Pilih Analyze 2. Pilih Regression 3. Klik Binary Logistic, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai dependen (dalam hal ini berarti masukkan low) dan pada kotak independen isikan variabel independennya (dalam hal ini berarti masukkan age). Sehingga tampilannya sbb: 47

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

5. Klik tombol Options , klik CI for Exp(B) 6. Klik Continue 7. Klik OK, dan hasilnya sbb:

Block 1: Method = Enter


Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 2.760 2.760 2.760 df 1 1 1 Sig. .097 .097 .097

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .893 1.011

Step a 1

age Const ant

B -.051 .385

S.E. .032 .732

Wald 2.635 .276

df 1 1

Sig. .105 .599

Exp(B) .950 1.469

a. Variable(s) entered on step 1: age.

48

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Dari hasil output, pada tampilan Block 1 didapatkan hasil omnibus test pada bagian Bloc dengan p value 0,097 berarti variabel umur p value nya <0,25 sehingga variabel umur dapat dilanjutkan ke analisis multivariat. Dari tampilan SPSS nilai OR dapat diketahui dari kolom Exp(B) yaitu sebesar 0,950 (95% CI: 0,89-1,01) 2.Analisis bivariat antara ras dengan bblr 1. Pilih Analyze 2. Pilih Regression 3. Klik Binary Logistic, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pada kotak Dependent tetap berisi low dan pada kotak Covariates variabel age dikeluarkan dan gantilah dengan mengisikan variabel race. Tampilannya sbb:

5. Pada variabel ras perlu dilakukan dummy oleh karena variabel ras berjenis katagorik dengan isi lebih dari 2 nilai, tepatnya 3 kelompok(yaitu :ras 49

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

putih, hitam dan lainnya). Klik tombol Categorical, pindahkan race dari kotak covariates ke kotak categorical covariates, klik pilihan first pada bagian Reference category, lalu klik Change, dan tampilannya:

6. Klik Continue, layar ke menu logistic 7. Klik OK


Categorical Variables Codings Parameter coding (1) (2) .000 .000 1.000 .000 .000 1.000

Race

White Black Other

Frequency 96 26 67

Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.010 5.010 5.010 df 2 2 2 Sig. .082 .082 .082

50

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .939 .955 5.772 3.736

B Stea p1 race race(1) race(2) Constant .845 .636 -1.155

S.E. .463 .348 .239

Wald 4.922 3.323 3.345 23.330

df 2 1 1 1

Sig. .085 .068 .067 .000

Exp(B) 2.328 1.889 .315

a. Variable(s) entered on step 1: race.

Hasil uji didapatkan p value 0,087 berarti p value < 0,25, sehingga variabel ras dapt lanjut ke multivariat. Dari output dapat diketahui juga nilai OR dummy, terlihat ada dua nilai OR yaitu OR untuk race(1) 2,328 artinya ras kuliat hitam akan berisiko bayinya bblr sebesar 2,3 kali lebih tinggi dibandingkan ras kulit putih. OR untuk race(2) besarnya 1,89 artinya ras kelompok lainnya mempunyai risiko bayinya bblr sebesar 1,89 kali lebi tinggi dibandingkan ras kulit putih. 3. Analisis bivariat antara hipertensi dengan bblr 1. Pilih Analyze 2. Pilih Regression 3. Klik Binary Logistic, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pada kotak Dependent tetap berisi low dan pada kotak Covariates isikan ht. Klik OK, Tampilannya sbb:

Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.022 4.022 4.022 df 1 1 1 Sig. .045 .045 .045

51

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.021 11.088

Step a 1

ht Constant

B 1.214 -.877

S.E. .608 .165

Wald 3.979 28.249

df 1 1

Sig. .046 .000

Exp(B) 3.365 .416

a. Variable(s) entered on step 1: ht.

Hasil uji didapatkan p value = 0,045 (p value < 0,25) berarti masuk dalam multivariat 4. Analisis bivariat antara kelainan uterus dengan bblr 1. Pilih Analyze 2. Pilih Regression 3. Klik Binary Logistic, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pada kotak Dependent tetap berisi low dan pada kotak Covariates isikan ui. Klik OK, Tampilannya sbb:
Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 5.076 5.076 5.076 df 1 1 1 Sig. .024 .024 .024

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.139 5.834

Step a 1

ui Constant

B .947 -.947

S.E. .417 .176

Wald 5.162 29.072

df 1 1

Sig. .023 .000

Exp(B) 2.578 .388

a. Variable(s) entered on step 1: ui.

Hasil p value 0,024 (p value < 0,25), maka variabel kelainan uterus dapat lanjut ke multivariat

52

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

5.Analisis bivariat antara periksa hamil dengan bblr 1.Pilih Analyze 2.Pilih Regression 3.Klik Binary Logistic, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4.Pada kotak Dependent tetap berisi low dan pada kotak Covariates isikan ftv. Klik OK, Tampilannya sbb:
Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square .773 .773 .773 df 1 1 1 Sig. .379 .379 .379

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .643 1.188

Step a 1

ftv Constant

B -.135 -.687

S.E. .157 .195

Wald .744 12.427

df 1 1

Sig. .389 .000

Exp(B) .874 .503

a. Variable(s) entered on step 1: ftv.

Hasil uji p value = 0,379 (p value > 0,25) sehingga secara statistik tidak dapat lanjut ke multivariat, namun karena secara substansi variabel periksa hamil sangat penting, maka variabel ini dapat dianalisis multivariat. 6.Analisis bivariat antara merokok dengan bblr
Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 4.867 4.867 4.867 df 1 1 1 Sig. .027 .027 .027

53

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.081 3.783

Step a 1

smoke Constant

B .704 -1.087

S.E. .320 .215

Wald 4.852 25.627

df 1 1

Sig. .028 .000

Exp(B) 2.022 .337

a. Variable(s) entered on step 1: smoke.

Hasil analisis bivariat didapatkan p value = 0,027 ( < 0,25) dengan demikian variabel merokok dapat masuk ke multivariat. 7.Analisis bivariat antara prematur dengan bblr
Omnibus Tests of Model Coefficients Step 1 Step Block Model Chi-square 6.779 6.779 6.779 df 1 1 1 Sig. .009 .009 .009

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.197 4.151

Step a 1

ptl Constant

B .802 -.964

S.E. .317 .175

Wald 6.391 30.370

df 1 1

Sig. .011 .000

Exp(B) 2.230 .381

a. Variable(s) entered on step 1: ptl.

Hasil analisis didapatkan p value sebesar 0,009 berarti < 0,25 sehingga variabel riwayat adanya prematur dapat masuk ke multivariat Hasil seleksi bivariat : Variabel Umur Ras Hipertensi Kelainan uterus Periksa hamil Merokok Prematur P value 0,097 0,082 0,045 0,024 0,379 0,027 0,009 54

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Hasil seleksi bivariat semua variabel menghasilkan p value < 0,25, hanya periksa hamil yang p valuenya > 0,25. namun variabel periksa hamil tetap dianalisis multivariat oleh karena secara substansi periksa hamil merupakan variabel yang sangat penting berhubungan dengan kejadian bblr.

B. PEMODELAN MULTIVARIAT
Selanjutnya dilakukan analisis multivariat keenam variabel tersebut dengan kejadian bblr. 1.. Lakukan pemilihan variabel yang berhubungan signifikan dengan variabel dependen. 1. Pilih Analyze 2. Pilih Regression 3. Klik Binary Logistic, muncul menu dialog yang berisi kotak Dependent dan kotak Covariates. 4. Pada kotak Dependent tetap berisi low dan pada kotak Covariates isikan variabel age, race, smoke, ptl, ht, ui, ftv. Ingat untuk Race dilakukan dummy. 5. Klik Option, pilih CI for exp(B) 6. Klik Continue

55

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

7. Kilik OK

Logistic Regression
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .894 1.031 1.025 1.185 1.219 .964 1.132 .909 .736 7.345 6.280 5.639 3.654 13.451 5.468 1.384

Step a 1

age race race(1) race(2) smoke ptl ht ui ftv Constant

B -.041 1.009 1.003 .964 .630 1.361 .802 .009 -1.183

S.E. .036 .502 .426 .391 .340 .631 .458 .161 .919

Wald 1.249 6.783 4.034 5.560 6.090 3.429 4.648 3.066 .003 1.659

df 1 2 1 1 1 1 1 1 1 1

Sig. .264 .034 .045 .018 .014 .064 .031 .080 .954 .198

Exp(B) .960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 .306

a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui, ftv.

Dari hasil analisis terlihat ada 4 variabel yang p valuenya > 0,05 yaitu age, ptl, ui dan ftv, yang terbesar adalah ftv, sehingga pemodelan selanjutnya variabel ftv dikeluarkan dari model. Dengan langkah yang sama akhirnya diperoleh hasil sbb. 56

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Logistic Regression
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .896 1.030 1.025 1.184 1.219 .963 1.134 .908 7.347 6.262 5.632 3.651 13.341 5.454

Step a 1

age race race(1) race(2) smoke ptl ht ui Constant

B -.040 1.009 1.002 .963 .629 1.358 .800 -1.184

S.E. .036 .503 .425 .390 .340 .629 .457 .919

Wald 1.275 6.781 4.035 5.562 6.086 3.423 4.663 3.063 1.661

df 1 2 1 1 1 1 1 1 1

Sig. .259 .034 .045 .018 .014 .064 .031 .080 .197

Exp(B) .960 2.744 2.723 2.620 1.875 3.889 2.226 .306

a. Variable(s) entered on step 1: age, race, smoke, ptl, ht, ui.

Setelah ftv dikeluarkan kita lihat perubahan nilai OR untuk variabel age, race, smoke, ptl, ht, dan ui. Variabel Age Race(1) Race(2) Smoke Ptl Ht ui ftv OR ftv ada 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 OR ftv tak ada 0.960 2.744 2.723 2.620 1.875 3.889 2.226 perubahan OR 0% 0% 0% 0% 0,1 % 0.3 % 0,1 %

Dengan hasil perbandingan OR terlihat tidak ada yang > 10 % dengan demikian dikeluarkan dalam model. Selanjutnya variabel yang terbesar p valuenya adalah umur, dengan demikian dikelurkan dar model dan hasilnya Hasilnyanya :

57

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.113 1.271 1.263 .925 1.131 .970 7.916 6.538 5.747 3.422 13.537 5.692

B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.088 1.059 .991 .576 1.364 .855 -2.146

S.E. .501 .418 .387 .334 .633 .451 .386

Wald 7.968 4.723 6.422 6.569 2.975 4.640 3.585 30.917

df 2 1 1 1 1 1 1 1

Sig. .019 .030 .011 .010 .085 .031 .058 .000

Exp(B) 2.968 2.883 2.694 1.779 3.912 2.350 .117

a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

Setelah variabel umur dikeluarkan, kita cek lagi perubahan OR untuk variabel yang masih aktif di model. Variabel Age Race(1) Race(2) Smoke Ptl Ht ui ftv OR age ada 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 OR age tak ada 2.968 2.883 2.694 1.779 3.912 2.350 8,2 % 5,7 % 2,7 % 5,2 % 0.3 % 5,4 % perubahan OR

Dari analisis perbandingan OR, ternyata perubahannya < 10 %, dengan demikian variabel umur dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel yang p valuenya > 0,05, variabel ptl dikeluarkan model, hasilnya

58

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.090 1.315 1.419 1.133 1.158 7.704 6.640 6.286 13.379 6.458

B Step a 1 race race(1) race(2) smoke ht ui Constant 1.064 1.083 1.094 1.359 1.006 -2.092

S.E. .499 .413 .380 .630 .438 .380

Wald 8.245 4.545 6.877 8.299 4.660 5.262 30.307

df 2 1 1 1 1 1 1

Sig. .016 .033 .009 .004 .031 .022 .000

Exp(B) 2.897 2.955 2.986 3.894 2.734 .123

a. Variable(s) entered on step 1: race, smoke, ht, ui.

Setelah ptl dikeluarkan, kita lihat perubahan OR nya: Variabel OR ptl ada OR ptl tak ada Age Race(1) Race(2) Smoke Ptl Ht ui ftv 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 2.897 2.955 2.986 3.894 2.734 -

perubahan OR 5,6 % 8,3 % 13,8 % 0.2 % 22,6 %

Ternyata setelah ptl dikeluarkan, OR variabel merokok dan kelainan uterus berubah > 10 %, dengan demikian variabel ptl dimasukkan kembali dalam model. Kemudian variabel ui dikeluarkan dalam model karena p valuenya > 0,05, dan hasilnya sbb:

59

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.086 1.321 1.280 .988 1.062 7.712 6.626 5.726 11.640 3.793

B Step a 1 race race(1) race(2) smoke ht ptl Constant 1.062 1.085 .996 1.221 .696 -2.025

S.E. .500 .411 .382 .629 .325 .372

Wald 8.286 4.513 6.949 6.794 3.764 4.596 29.586

df 2 1 1 1 1 1 1

Sig. .016 .034 .008 .009 .052 .032 .000

Exp(B) 2.894 2.958 2.707 3.390 2.007 .132

a. Variable(s) entered on step 1: race, smoke, ht, ptl.

Kita lihat kembali perubahan nilai OR setelah variabel ui dikeluarkan : Variabel OR ui ada OR ui tak ada perubahan OR Age Race(1) Race(2) Smoke Ptl Ht ui ftv 0.960 2.743 2.727 2.622 1.877 3.902 2.229 1.009 2.894 2.958 2.707 2.007 3.390 5,5 % 8,4 % 3,2 % 6,9 % 13.1 % -

Setelah dilakukan perbandingan OR, ternyata variabel ht berubah > 10 %, dengan demikian variabel ui masuk kembali dalam model. Akhirnya model yang dihasilkan adalah sbb:

60

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.113 1.271 1.263 .925 1.131 .970 7.916 6.538 5.747 3.422 13.537 5.692

B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.088 1.059 .991 .576 1.364 .855 -2.146

S.E. .501 .418 .387 .334 .633 .451 .386

Wald 7.968 4.723 6.422 6.569 2.975 4.640 3.585 30.917

df 2 1 1 1 1 1 1 1

Sig. .019 .030 .011 .010 .085 .031 .058 .000

Exp(B) 2.968 2.883 2.694 1.779 3.912 2.350 .117

a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

C. UJI INTERAKSI
Uji interaksi dilakukan pada variabel yang diduga secara substansi ada interaksi, kalau memang tidak ada tidak perlu dilakukan uji interaksi. Dalam kasus sekarang, misalkan kita duga merokok berinteraksi dengan hipertensi. Langkahnya: 1. klik analysis, klik regression, klik binary ogistik 2. Kotak dependen isikan low 3. Kotak Kovariat isikan Race, smoke, ptl, ht dan ui 4. Klik tombol Next 5. isikan : smoke*ht ke kotak kovariat 6. klik OK lihat hasilnya pada bagian Block 2

Block 2: Method = Enter


Omnibus Tests of Model Coefficients Chisquare .000 .000 26.560

df 1 1 7

Sig. .994 .994 .000

Step 1

Step Block Model

61

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.109 1.268 1.236 .921 .765 .970 .082 7.946 6.555 5.865 3.438 19.852 5.693 12.491

B Step a 1 race race(1) race(2) smoke ptl ht ui ht by smoke Constant 1.088 1.059 .990 .576 1.360 .854 .010 -2.146

S.E. .502 .419 .397 .336 .831 .451 1.283 .386

Wald 7.900 4.692 6.387 6.211 2.937 2.680 3.584 .000 30.875

df 2 1 1 1 1 1 1 1 1

Sig. .019 .030 .011 .013 .087 .102 .058 .994 .000

Exp(B) 2.969 2.883 2.692 1.779 3.896 2.350 1.010 .117

a. Variable(s) entered on step 1: ht * smoke .

Pada output bagian Block 2:Methode=Enter, terlihat hasil uji omnibusnya memperlihatkan p value = 0,994 (lihat bagian step) berarti lebih besar dari 0,05, berarti : tidak ada interaksi antara merokok dengan hipertensi.

Dengan demikian pemodelan telah selesai, model yang valid adalah model tanpa ada interaksi:

MODEL TERAKHIR
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.113 1.271 1.263 .925 1.131 .970 7.916 6.538 5.747 3.422 13.537 5.692

B Step a 1 race race(1) race(2) smoke ptl ht ui Constant 1.088 1.059 .991 .576 1.364 .855 -2.146

S.E. .501 .418 .387 .334 .633 .451 .386

Wald 7.968 4.723 6.422 6.569 2.975 4.640 3.585 30.917

df 2 1 1 1 1 1 1 1

Sig. .019 .030 .011 .010 .085 .031 .058 .000

Exp(B) 2.968 2.883 2.694 1.779 3.912 2.350 .117

a. Variable(s) entered on step 1: race, smoke, ptl, ht, ui.

62

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Interpretasi: Model regresi logistik hanya dapat digunakan untuk penelitian yang bersifat Kohort. Sedangkan unutk penelitian yang bersifat cross sectional atau case

control, interpretasi yang dapat dilakukan hanya menjelaskan nilai OR (Exp B)


pada masing-masing variabel. Oleh karena analisisnya multivariat/ganda maka nilai OR-nya sudah terkontrol (adjusted) oleh variabel lain yang ada pada model. Dari analisis multivariat ternyata variabel yang berhubungan bermakna dengan kejadian BBLR adalah variabel ras, merokok dan hipertensi. Sedangkan variabel riwayat prematur dan kelainan uterus sebagai variabel konfounding. Hasil analisis didapatkan Odds Ratio (OR) dari variabel hipertensi adalah 3,9, artinya Ibu yang menderita hipertensi akan melahirkan bayi BBLR sebesar 4 kali lebih tinggi dibandingkan ibu yang tidak menderita hipertensi setelah dikontrol variabel race, merokok, prematur dan uterus. Secara sama dapat diinterpretasikan untuk variabel yang lain. Untuk melihat variabel mana yang paling besar pengaruhnya terhadap variabel dependen, dilihat dari exp (B) untuk variabel yang signifikan, semakin besar nilai exp (B) berarti semakin besar pengaruhnya terhadap variabel dependen yang dianalisis. Dalam data ini berarti hipertensi yang paling besar pengaruhnya terhadap kejadian bayi BBLR.

63

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

KASUS KEDUA : REGRESI LOGISTIK MODEL FAKTOR RISIKO


Tujuan analisis : Untuk mengetahui hubungan pekerjaan dengan menyusui eksklusive Variabel independen utama : Pkerjaan Variabel dependen : Eksklusive Variabel konfounding : umur, berat badan ibu dan sikap A. Langkah pertama: menyusun model mencakup semua variabel dan variabel interaksi Cara 1. Pilih Analyze 2. Pilih Regression 3. Klik Binary Logistic, muncul menu dialog yang berisi kotak Dependent dan Covariat. Pada kotak Dependen isikan variabel yang kita perlakukan sebagai dependen (dalam contoh ini berarti eksklu) dan pada kotak Covariat isikan variabel independen utama beserta variabel konfounding dan interaksinya (dalam hal ini berarti: kerja, umur1, bbibu, sikap, kerja*umur1,kerja*bbibu, kerja*sikap) 4. Klik OK, dan hasilnya sbb:

Logistic Regression
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .000 . .514 56.109 .760 1.186 .000 . .849 1.583

Stea p1

kerja umur1 sikap kerja by umur1 kerja by sikap Constant

B -20.275 1.681 -.052 20.279 .148 -1.505

S.E. 28420.722 1.197 .114 28420.722 .159 1.432

Wald .000 1.972 .208 .000 .869 1.105

df 1 1 1 1 1 1

Sig. .999 .160 .648 .999 .351 .293

Exp(B) .000 5.372 .949 6E+008 1.160 .222

a. Variable(s) entered on step 1: kerja, umur1, sikap, kerja * umur1 , kerja * sikap .

64

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Dari output model penuh/lengkap ini kita lakukan uji interaksi, variabel dikatakan berinteraksi bila p valuenya < 0,05. Seleksinya dengan mengeluarkan secara bertahapVariabel interaksi yang tidak signifikan (p>0,05), pengeluaran dilakukan secara bertahap dari variabel interaksi yang p value-nya terbesar. Dari hasil di atas variabel interaksi Pekerjaan by umur mempunyai nilai p terbesar (p=0,999) sehingga variabel tersebut dikeluarkan dari model. Dan model menjadi:

Logistic Regression
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper .022 18.557 .971 86.749 .753 1.178 .878 1.616

Stea p1

kerja umur1 sikap kerja by sikap Constant

B -.445 2.217 -.060 .175 -1.881

S.E. 1.718 1.146 .114 .156 1.483

Wald .067 3.741 .274 1.264 1.610

df 1 1 1 1 1

Sig. .795 .053 .601 .261 .205

Exp(B) .641 9.177 .942 1.191 .152

a. Variable(s) entered on step 1: kerja, umur1, sikap, kerja * sikap .

Dari

output diatas, variabel interaksi kerja by sikap harus dikeluarkan dari model

karana p valuenya > 0,05. Setelah dikeluarkan hasilnya:


Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.074 14.592 .991 92.609 .893 1.202

Step a 1

kerja umur1 sikap Consta nt

B 1.376 2.260 .035 -2.876

S.E. .666 1.157 .076 1.239

Wald 4.273 3.812 .212 5.384

df 1 1 1 1

Sig. .039 .051 .645 .020

Exp(B) 3.959 9.582 1.036 .056

a. Variable(s) entered on step 1: kerja, umur1, sikap.

Dengan demikian hasil uji interaksi sudah selesai, kesimpulannya tidak ada variabel interasksi, langkah selanjutnya uji konfounding

65

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

UJI KONFOUNDING
Uji konfounding dengan cara melihat perbedaan nilai OR untuk variabel utama dengan dikeluarkannya variabel kandidat konfounding, bila perubahannya > 10 %, maka varaibel tsb dianggap sebagai variabel konfounding. Tahap pertama : akan dikeluarkan variabel Sikap, setelah dikeluarkan dari model hasiilnya sbb:
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.127 14.985 1.165 99.754

Stea p1

kerja umur1 Constant

B 1.413 2.378 -2.624

S.E. .660 1.135 1.113

Wald 4.585 4.389 5.555

df 1 1 1

Sig. .032 .036 .018

Exp(B) 4.110 10.783 .073

a. Variable(s) entered on step 1: kerja, umur1.

Setelah variabel sikap dikeluarkan terlihat perubahan OR variabel utama kerja sebesar : (4,111 3,959)/4,111 =3,6 % . Dengan demikian variabel sikap bukan konfounding, dan harus dikeluarkan dari model Langkah selanjutnya mengeluarkan variabel umur, setelah dikeluarkan hasilnya:
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.627 18.357

Step a 1

kerja Const ant

B 1.698 -.754

S.E. .618 .429

Wald 7.545 3.091

df 1 1

Sig. .006 .079

Exp(B) 5.464 .471

a. Variable(s) entered on step 1: kerja.

Setelah variabel umur dikeluarkan terlihat perubahan OR variabel utama: kerja sebesar : (5,464-4,111)/4,111 =32,9 % . Dengan demikian variabel umur merupakan variabel konfounding. Untuk itu variabel umur harus tetap ikut dalam model sebagai konfounding hubungan kerja dengan menyusui eksklusive.

66

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Model terakhir :
Variables in the Equation 95.0% C.I.for EXP(B) Lower Upper 1.127 14.985 1.165 99.754

Stea p1

kerja umur1 Constant

B 1.413 2.378 -2.624

S.E. .660 1.135 1.113

Wald 4.585 4.389 5.555

df 1 1 1

Sig. .032 .036 .018

Exp(B) 4.110 10.783 .073

a. Variable(s) entered on step 1: kerja, umur1.

Interpretasi: Setelah dilakukan analisis confounding, ternyata, umur merupakan confounding hubungan pekerjaan dengan menyusui eksklusif, maka modelnya adalah sbb: Dari model di atas dapat dijelaskan bahwa ibu yang tidak bekerja mempunyai peluang menyusui eksklusif 4 kali dibandingkan ibu yang tidak bekerja setelah dikontrol variabel umur.

67

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006

Lampiran data LBW. SAV.

Id 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Low 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

age 28 29 34 25 25 27 23 24 24 21 32 19 25 16 25 20 21 24 21 20 25 19 19 26 24 17 20 22 27 20

lwt 120 130 187 105 85 150 97 128 132 165 105 91 115 130 92 150 200 155 103 125 89 102 112 117 138 130 120 130 130 80

race 3 1 2 3 3 3 3 2 3 1 1 1 3 3 1 1 2 1 3 3 3 1 1 1 1 3 2 1 2 3

smoke 1 0 1 0 0 0 0 0 0 1 1 1 0 0 1 1 0 1 0 0 0 0 1 1 0 1 1 1 0 1

ptl 1 0 0 1 0 0 0 1 0 0 0 2 0 0 0 0 0 1 0 0 2 0 0 1 0 1 0 1 0 0

ht 0 0 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

ui 1 1 0 0 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0 1 0 1 1 1

ftv 0 2 0 0 0 0 1 1 0 1 0 0 0 1 0 2 2 0 0 0 1 2 0 0 0 0 3 1 0 0

bwt 709 1021 1135 1330 1474 1588 1588 1701 1729 1790 1818 1885 1893 1899 1928 1928 1928 1936 1970 2055 2055 2082 2084 2084 2100 2125 2126 2187 2187 2211

68

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006


31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 17 25 20 18 18 20 21 26 31 15 23 20 24 15 23 30 22 17 23 17 26 20 26 14 28 14 23 17 21 19 33 20 21 18 110 105 109 148 110 121 100 96 102 110 187 122 105 115 120 142 130 120 110 120 154 105 190 101 95 100 94 142 130 182 155 105 108 107 1 3 3 3 2 1 3 3 1 1 2 2 2 3 3 1 1 1 1 2 3 3 1 3 1 3 3 2 1 2 3 1 1 1 1 0 0 0 1 1 0 0 1 0 1 1 1 0 0 1 1 1 1 0 0 0 1 1 1 0 1 0 1 0 0 1 1 1 0 1 0 0 1 1 1 0 1 0 0 0 0 0 0 1 0 0 1 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 1 0 0 0 0 4 0 1 0 1 0 0 0 0 0 1 3 0 2 1 3 0 0 2 2 0 0 3 0 3 1 2 0 2225 2240 2240 2282 2296 2296 2301 2325 2353 2353 2367 2381 2381 2381 2395 2410 2410 2414 2424 2438 2442 2450 2466 2466 2466 2495 2495 2495 2495 2523 2551 2557 2594 2600

69

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006


65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 21 22 17 29 26 19 19 22 30 18 18 15 25 20 28 32 31 36 28 25 28 17 29 26 17 17 24 35 25 25 29 19 27 31 124 118 103 123 113 95 150 95 107 100 100 98 118 120 120 121 100 202 120 120 167 122 150 168 113 113 90 121 155 125 140 138 124 215 3 1 3 1 1 3 3 3 3 1 1 2 1 3 1 3 1 1 3 3 1 1 1 2 2 2 1 2 1 2 1 1 1 1 0 0 0 1 1 0 0 0 0 1 1 0 1 0 1 0 0 0 0 0 0 1 0 1 0 0 1 1 0 0 1 1 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 0 2 0 0 0 3 0 1 2 3 1 0 2 0 0 2 0 1 1 1 1 1 0 2 2 0 2 2622 2637 2637 2663 2665 2722 2733 2750 2750 2769 2769 2778 2782 2807 2821 2835 2835 2836 2863 2877 2877 2906 2920 2920 2920 2920 2948 2948 2977 2977 2977 2977 2992 3005

70

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006


99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 33 21 19 23 21 18 18 32 19 24 22 22 23 22 30 19 16 21 30 20 17 17 23 24 28 26 20 24 28 20 22 22 31 23 109 185 189 130 160 90 90 132 132 115 85 120 128 130 95 115 110 110 153 103 119 119 119 110 140 133 169 115 250 141 158 112 150 115 1 2 1 2 1 1 1 1 3 1 3 1 3 1 1 3 3 3 3 3 3 3 3 3 1 3 3 3 3 1 2 1 3 3 1 1 0 0 0 1 1 0 0 0 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0 0 2 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 2 2 1 0 0 0 4 0 2 0 1 0 0 2 0 0 0 0 0 0 0 2 0 0 0 1 2 6 1 2 0 2 1 3033 3042 3062 3062 3062 3076 3076 3080 3090 3090 3090 3100 3104 3132 3147 3175 3175 3203 3203 3203 3225 3225 3232 3232 3234 3260 3274 3274 3303 3317 3317 3317 3321 3331

71

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006


133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 16 16 18 25 32 20 23 22 32 30 20 23 17 19 23 36 22 24 21 19 25 16 29 29 19 19 30 24 19 24 23 20 25 30 112 135 229 140 134 121 190 131 170 110 127 123 120 105 130 175 125 133 134 235 95 135 135 154 147 147 137 110 184 110 110 120 241 112 2 1 2 1 1 2 1 1 1 3 3 3 3 3 1 1 1 1 3 1 1 1 1 1 1 1 1 1 1 3 1 3 2 1 0 1 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 4 0 0 1 0 0 0 0 0 0 0 0 1 0 2 0 0 0 1 1 0 0 1 1 0 0 1 0 0 1 3374 3374 3402 3416 3430 3444 3459 3460 3473 3475 3487 3544 3572 3572 3586 3600 3614 3614 3629 3629 3637 3643 3651 3651 3651 3651 3699 3728 3756 3770 3770 3770 3790 3799

72

SUTANTO PRIYO HASTONO: Analisis Multivariat, FKM UI, 2006


167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 22 18 16 32 18 29 33 20 28 14 28 25 16 20 26 21 22 25 31 35 19 24 45 169 120 170 186 120 130 117 170 134 135 130 120 95 158 160 115 129 130 120 170 120 116 123 1 1 2 1 3 1 1 1 3 1 3 1 3 1 3 1 1 1 1 1 1 1 1 0 1 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 4 2 1 2 1 0 1 0 0 2 1 1 0 1 0 2 2 1 0 1 1 3827 3856 3860 3860 3884 3884 3912 3940 3941 3941 3969 3983 3997 3997 4054 4054 4111 4153 4167 4174 4238 4593 4990

73