Korelasi & Regresi Linier

Sederhana
MANAJEMEN DATA KESEHATAN
GIGI

IWANY AMALLIAH BADRUDDIN

Bagian Ilmu Kesehatan Gigi MasyarakatPencegahan

KORELASI

Pendahuluan
mengetahui besar dan arah hubungan dua

variabel numerik
Bukan sebab akibat (causality)
Y variabel dependen ; x variabel independen
Pasangan titik koordinat (x,y) dlm diagram
tebar dimana var ind di sumbu x dan var dep di
sumbu y
Arah hubungan : positif /negatif
- Jika x bertambah, y bertambah korelasi +
- Jika x bertambah, y berkurang korelasi - Korelasi non-linear

Scatter diagram macam2 Korelasi

Nilai Korelasi
Korelasi nilainya antara -1 s/d +1
Korelasi maksimum: r = +1 (linier positif

sempurna)
Korelasi minimum: r = -1 (linier negatif
sempurna)
Jika tidak ada korelasi: r = 0
r = -0,75 peningkatan x sebesar 1 unit diikuti
penurunan y sebesar 0,75 kali atau 75%
Besar/kekuatan hubungan : kuat /lemah
r : 0,00 0,25 : lemah
r : 0,26 0,50 : sedang
r : 0,51 0,75 : kuat
r : 0,76 1 : sangat kuat

Koefisien Korelasi Pearson & Spearman

Bila kedua variable memiliki distribusi normal,

memakai Pearson
Bila salah satu saja dari kedua variable tidak
memiliki distribusi normal, memakai Spearman

Contoh hubungan korelasi

Indeks pengukuran status gizi BB/U, TB/U,

BB/TB, IMT/U merupakan contoh2 hubungan

korelasi positif.
Dalam kedokteran gigi:
- hubungan umur dan pengalaman karies (DMF)
merupakan contoh hubungan korelasi positif
- hubungan karies dan kadar fluor sampai cut-off
point 1ppm adalah contoh hubungan korelasi
negatif

Contoh hubungan korelasi

Kita lakukan analisis korelasi antara TB dan BB

dgn data murid TK Al-Ikhlas yang dikumpulkan

mhs profesi IKGMP FKG UI di Serpong.
TB sebagai var independen dan BB var
dependen.
Lakukan dulu uji kenormalan seperti biasa

Contoh hubungan korelasi

Contoh hubungan korelasi

Interpretasi
Nilai koefisien korelasi Pearson r=0,725, yang

berarti peningkatan x sebesar 1 cm diikuti

peningkatan y sebesar 0,725 atau 72,5%
Hasil uji statistik didapatkan ada hubungan
yang signifikan antara tinggi badan dan berat
badan (p=0,001)
Hubungan tinggi badan dan berat badan
menunjukkan hubungan yang kuat dan
berpola positif
Semakin bertambah tinggi badan, akan
menambah berat badan.

REGRESI LINIER

Pendahuluan
Tujuan: memprediksi var dependen (Y) melalui

var independen (X) melalui persamaan/model

matematis garis linier yang didpt dengan
metoda kuadrat terkecil (Least Square Method)
y = a + bx
y = variabel dependen
x = variabel independen
a = intercep : besar nilai y bila nilai x=o
b = slope/coefficient of elasticity (tangen)
: besar perubahan nilai y bila x
berubah setiap satu satuan

Force expiratoty volume in 1 min (ml)

Least Square Method

600

500

400

300

200

100
140

150

160

170

height (cm)

180

190

200

Nilai koefisien determinasi (R2 atau R

Square)
Koefisien determinasi mengukur persentase variasi

var Y yang dapat dijelaskan oleh var X

Nilainya antara 0 s.d. 1 atau 100%
R2 = 0,525 variable X dapat menjelaskan 52,5%

variasi variable Y. Sisanya (47,5%) tidak dapat

dijelaskan atau disebut juga residual atau eror

Penyimpangan dalam memprediksi

YFungsi matematik yang sempurna (bebas dari eror)

disebut model deterministik hanya pada peristiwa alam

spt gravitasi bumi Issac Newton dimana kecepatan
benda jatuh (y) dipengaruhi berat dan gaya gravitasi
(x).
Contoh lain model deterministik adalah konversi antara
suhu Fahrenheit (y) dan Celcius (x), yaitu y= 32+1,8 x
Dlm ilmu kesehatan apalagi ilmu sosial, tidak dapat
dibuat model matematis sempurna, krn ada
kemungkinan penyimpangan. Nilai x yg sama dapat
menghasilkan y beda
Y a x
Sehingga rumus persamaannya menjadi:
e adalah nilai kesalahan (error) yang mrpk selisih antara
nilai y individual dengan y sesungguhnya pada x
tertentu

Contoh Regresi Linier Sederhana

Gunakan data TB & BB

murid TK Al-Ikhlas lagi

TB sebagai var
independen dan BB var
dependen

Interpretasi

Nilai korelasi 0,725: Peningkatan tb sebesar 1 cm diikuti

penurunan y sebesar 0,725 atau 72,5%. R Square 0,525: besar
variasi pd BB yang dapat dijelaskan oleh TB adalah sebesar
52,5%.
Std error of the estimate (SEE) adalah nilai error dari model tsb
dalam memprediksi nilai Y, sebesar 3,14 kg

Nilai signifikan dari Anova menggbrkan bhw model regresi fit dg data

Interpretasi & memprediksi nilai Y

Ho: = 0 ; Ha: 0
Nilai -40,051 utk konstanta dan 0,54 utk var TB
Y = a + bX Berat Badan = -40,051+0,54*Tinggi Badan
Uji statistik yang signifikan membuktikan bahwa nilai 0
Bila seorang anak memiliki tinggi badan 100 cm, maka
diprediksi akan memiliki berat badan (-40,051+0,54*100) atau
13,95 kg
Dgn Std error of the estimate (SEE) sebesar 3,14 kg, prediksi
titik dpt dibuat interval dengan tingkat kepercayaan CI 95%.
95% CI = x Z/2 SE = 13,95 1,96*3,14 = atr (7,8 dan 20,1) kg

Cara Penyajian