ANALISIS

HUBUNGAN
Prof. Dr. Ir. Sumarsono, MS.

Dasar pemilihan uji statistik

a. Sesuaikan dengan tujuan penelitian
Macam-macam tujuan penelitian :
Identifikasi variabel = statistik
deskriptif
Membedakan distribusi = uji t, anova,
X2
Mencari hubungan = korelasi
Mengetahui pengaruh = uji regresi

Dasar pemilihan uji statistik

b. Berdasar normalitas obyek penelitian
Normal = statistik parametrik
Tidak normal = statistik non-parametrik

Cara mengetahui normalitas :

Lihat cara pengambilan sampel (random
berdasar besar poulasi)
Menghitung mean dan standart deviasi
(Sd < mean)
Gunakan uji normalitas (buat hitogram)

Dasar pemilihan uji statistik

c. Berdasar jenis skala data :
Statistik parametrik untuk data kuantitatif =
skala interval/rasio
Statistik non-parametrik untuk data kualitatif =
skala nominal/ordinal

Petunjuk praktis untuk statistik parametrik

Bila tujuan penelitian uji signifikansi, distribusi
normal, skala rasio/interval
Bila sampel > 30, walau tidak normal, ttp skala
rasio/interval

DASAR ANALISIS
HUBUNGAN

Jenis / tipe hubungan

Skala pengukuran variabel
Ukuran keterkaitan
Permodelan keterkaitan

Relationship vs Causal
Relationship
Tidak semua hubungan (relationship)
berupa hubungan sebab-akibat
Penentuan suatu hubungan bersifat
sebab-akibat memerlukan wellargued position dari bidang terkait

Alat Analisis Keterkaitan

Ditentukan oleh :
1. Skala pengukuran data/variabel
2. Jenis hubungan antar variabel

Relationship
Relationship

Numerik

Katagorik

Numerik

Katagorik

Korelasi
Pearson,
Sperman
(interval/rasio)

Tabel Ringkasan
Point Biserial
Interval/ratio vs
dikotom

Tabel Ringkasan
Biserial
(nominal vs
interval)

Sperman
(ordinal)
Chi Square
Korelasi Phi
(nominal)

Causal Relationship
Y

Numerik

Katagorik

Numerik

Regresi Linier/
non linier

ANOVA

Katagorik

Regresi Logistik

Regresi Logistik

QUIZ
1.Apa itu analisis regresi
2.Apa bedanya dengan
korelasi

Jawab
1. Analisis regresi
Analisis
statistik yang memanfaatkan
hubungan antara dua atau lebih
peubah kuantitatif sehingga salah
satu peubah dapat diramalkan dari
peubah lainnya
2. Korelasi
mengukur keeratan
HUBUNGAN LINIER dari dua variabel

Koefisien Korelasi
Pearson
Sx

Rx =
Syx S
y

(x

x)(y

i
i
y
Sx =
=
y) (n
y
1)

(xi
Sx = 2
S
y=
x)(n
2
2
JK
1)
XX
Sx =
Sy =
(n
2
2
1)

JK XY
(n
1)

(yi
2
y)(n
JK
1) YY
(n
1)

Koefisien Korelasi
Pearson
JKxy

Rx =
y

JKxx JK

yy

(
X)(
JKx = XY
n
Y)
(
2
y
JKx = X
n2
X)
x
2
(
Y)
JKy = Y2 - n
y

Koefisien Korelasi
Pearson
STRONG
WEAK
STRONG
Negative
Positive
l-----------------------------------------------------------------------------l

-1

Correlation Coefficient

REGRESI
Linier : linier dalam parameter
Sederhana : hanya satu peubah
penjelas
Berganda : lebih dari satu peubah
penjelas

Linier
Regresi
Linier

satu

Peubah
Penjelas

>
satu
Simple
Linier
Regressio
n

Multiple
Linier
Regressio
n

Hubunga
n
Paramet
er

Non
Linie
r

Regresi
Non Linier

ANALISIS REGRESI
Hubungan Antar Peubah
Fungsional (deterministik)
Y = f (X);
misalnya Y = 10 X
Statistik (stokastik)
amatan tidak jatuh
persis pada kurva ; misalnya IQ vs Prestasi,
Berat vs Tinggi, Dosis Pupuk vs Produksi

Model regresi linier sederhana :

Y i = 0 + 1 X1 +

i ; I = 1, 2, . . . . . . . , n

Simple Linier Regression Model

Response

(Y)

Makna 0 & 1 ?

1 Unit
1 Unit
0
Predictor

(X)

0 adalah nilai ketika X = 0, sedangkan 1 adalah

perubahan nilai Y untuk setiap perubahan 1 satuan X

Analisis Regresi
Pendugaan terhadap koefisien regresi :
dan b1 penduga bagi 1

b1 =

xy

x2 = JKXX =
JKR =

b0 = Y b1 X

x2

xy = JK XY =

( xy )2
x2

b0 penduga bagi 0

XY X2 -

( x)( y)
n

( X) 2
n

UJI MODEL REGRESI

Bagaimana Pengujian thd model
regresi ??
Parsial (per koefisien)
uji t
Bersama
uji F (Anova)

Bagaimana menilai kesesuaian model

??
Gunakan R2 (Koefisien Determinasi : %
keragaman yang mampu dijelaskan oleh
X)

t=

Sb1 =

UJI MODEL REGRESI

b1
JKR
F=
Sb1
JKE

S2
2
(Xi X)

(Yi Y)2
S2 =
n -2

JKYY - JKXY
n -2

Hipotesis : H0 : 1 = 0 vs H1 : 1 0

CONTOH DATA
Percobaan dalam bidang
kesehatan lingkungan :
Apakah semakin tua mobil (jarak
km yang telah ditempuh)
semakin besar juga emisi HC
yang dihasilkan

Jarak Tempuh
(dalam ribu
km)
31
38
48
52
63
67
75
84
89
99

Emisi (ppm)

55
3
59
0
60
8
68
2
75
2
72
5
EMISI = 382 + 5.39 JARAK; S = 42,01;83
R2 = 90,3 %; t =
8,65
4
75
2
84

SPSS

REGRESI NON LINIER

Exponensial

Logarithme

eY = 0 X 1

Y = 0 + 1 log X

Quadratic
Y = 0 + 1 X + 2 X2

Y = 0 1 X

Log Y = 0 + 1 X

Cubic
Y = 0 + 1 X + 2 X2 + 3 X3

Y = 0 X 1

Log Y = 0 + 1 log X

Polynomial
Linier
Y = 0 + 1 X

Y = 0 + 1 X

Y = 0 + 1 X + 2 X2

Y = 0 + 1 X + 2 X2 + 3 X3

eY = 0 X 1

eY = 0 X 1

eY = 0 X 1

UJI MODEL REGRESI NON

LINIER
Bagaimana Pengujian thd model
regresi ??
Parsial (per koefisien)
uji t
Bersama
uji F (Anova)

Bagaimana menilai kesesuaian model

??
Gunakan R2 (Koefisien Determinasi : %
keragaman yang mampu dijelaskan oleh
X)

ANALISIS REGRESI LOGISTIK

Regresi logistik adalah bagian dari
analisis regresi yang digunakan ketika
variabel dependen (respon)
merupakan variabel dikotomi.
Variabel dikotomi biasanya hanya
terdiri atas dua nilai, yang mewakili
kemunculan atau tidak adanya suatu
kejadian yang biasanya diberi angka
0 atau 1

ANALISIS REGRESI LOGISTIK

Tidak seperti regresi linier biasa,
regresi logistik mengasumsikan
hubungan antara variabel
independen dan dependen tidak
secara linier.
Regresi logistik merupakan regresi
non linier dimana model yang
ditentukan akan mengikuti pola kurva
seperti gambar di bawah ini.

ANALISIS REGRESI LOGISTIK

Definisi

Y = eZ

Log Y =

Log Y = Z

Definisi
Regresi logistik dapat dijelaskan
berdasar fungsi logistik :

Variabel z dijelaskan lebih lanjut

sebagai
dimana 0 intersep "dan 1, 2,
koefisien regresi "dari x 1, x 2, x 3

3,

dan seterusnya, ini disebut"

MODEL ANALISIS REGRESI

LOGISTIK
Model ini memiliki formulasi setara

Probabilitas binomial dimodelkan

sebagai fungsi linear logit X i .

Definisi
Intersep : nilai z pd kondisi nilai dari variabel bebas
nol
Koefisien regresi : besaran kontribusi variabel bebas
Koefisien regresi positif : variabel penjelas
meningkatkan kemungkinan hasil,
Koefisien regresi negatif : variabel penjelas
menurunkan kemungkinan hasil,
Koefisien regresi besar : variabel penjelas sangat
mempengaruhi kemungkinan hasil,
Koefisien regresi-nol : variabel penjelas tidak
mempengaruhi kemungkinan hasil .

Definisi
Regresi logistik digunakan untuk
mengetahui hubungan antara
satu/lebih variabel independen
(misalnya, usia, jenis kelamin, dll)
dengan variabel respon biner, yang
dinyatakan sebagai dua nilai
kemungkinan, misalnya kematian
("mati "atau" tidak mati ").

Example 1
Penerapan regresi logistik :
Misal kematian akibat penyakit
jantung. Model dijelaskan dengan
tiga faktor risiko (umur, jenis
kelamin, dan tingkat kolesterol
darah)

Example 1
Model cocok diperoleh :
0 = 5.0 (the intercept)
1 = + 2.0


x
x
x

= 1.0

= + 1.2

= usia di tahun, di atas 50

= sex , 0 adalah laki-laki dan 1 perempuan

= kadar kolesterol, dalam mmol / L di atas 5,0

Example 1
Model dapat dituliskan :

Model menjelaskan :
1)Peningkatan usia meningkatkan risiko kematian penyakit jantung
(z naik sebesar 2.0 untuk setiap tahun di atas usia 50),
2)Jenis kelamin perempuan menurunkan risiko kematian penyakit
jantung (z turun sebesar 1,0 jika pasien adalah wanita),
3)Peningkatkan kolesterol meningkatkan risiko kematian
(z naik 1,2 setiap 1 mmol / L peningkatan kolesterol > 5 mmol/L).

Example 1
Model dapat digunakan untuk memprediksi risiko kematian akibat
penyakit jantung seseorang laki-laki berumur 50 tahun dengan
kadar kolesterol 7.0 mmol / L.
Hasil Prediksi :

Berdasarkan model ini, risiko kematian seseorang itu akibat penyakit

jantung dalam 10 tahun berikutnya adalah 0.07 (atau 7%).

Example 2
Ingin diketahui faktor pembelian kosmetik
merk tertentu oleh sekelompok wanita
Variabel penjelas : umur, tingkat
pendapatan (low, medium, high), dan
status (M menikah; S untuk single).
Variabel prediktor yang dijelaskan dengan
angka 1 sebagai membeli dan 0 sebagai
tidak membeli.

TUGAS
Status
1
2
2
2
2
1
2
1
2
1

Kontrol
30
15
22
19
25
17
19
22
21
28

Nikah
53
11
16
17
20
12
18
11
21
14

Peran
24
43
45
52
45
41
35
37
46
30

Rumah
30
15
22
19
25
17
19
22
21
28

TUGAS
Apakah status pekerjaan (wanita karir versus ibu rumah tangga) dapat
dijelaskan oleh empat variabel perilaku (Perilaku terhadap pekerjaan di
dalam rumah =rumah, Perilaku terhadap kesehatan reproduksi =nikah,
Perilaku terhadap peranan/hak wanita =peran, dan Kemampuan
mengendalikan diri =kontrol)
Buat persamaan Regresi Logistik Sederhana (parsial) dengan perhitungan
manual dan bandingkan dengan output SPSS.
Status vs kontrol, Status vs nikah, Status vs peran, Status vs rumah
Tuliskan dalam model eksponensialnya, beri penjelasan masing-masing
Buat persamaan Regresi logistik berganda perhitungan SPSS.
Status vs kontrol, nikah, peran, rumah
Tuliskan dalam model eksponensialnya, beri penjelasan.
Prediksi peluang seseorang adalah wanita karir, apabila dia mempunyai
kontrol diri rendah (15), perilaku terhadap kesehatan reproduksi sedang
(20), thd pekerjaan RT tinggi (30) dan perilaku peran wanita tinggi (45)
HP : 0811273402
Email : marsono_53@yahoo.co.id