STATISTIK TERAPAN

Oleh : Dr. dr. Buraerah. H. Abd. Hakim, MSc
( Jurusan : Biostatistik / KKB FKM – UH )

PROGRAM PASCASARJANA UNIVERSITAS HASANUDDIN

Program Magister Epidemiologi Non Reguler

PENGERTIAN
Ialah penerapan konsep dan prinsipprinsip statistik dalam proses Penentuan populasi dan smpel, Pengumpulan data, Pengolahan data, Analisis data serta Penyajian hasil penelitian, dalam rangka menjawab tujuan penelitian yang akan dicapai peneliti.

PEMILIHAN JENIS UJI DITENTUKAN OLEH TUJUAN KHUSUS PENELITIAN, DAN SKALA PENGUKURAN VARIABEL YANG DIGUNAKAN SEBAGAI BERIKUT :

bertanda Wilcox.c  Sign test  Rangk.uji t)  Jlh Peringkt Wilcoxon Interval Interval  Arah Hubungan  Besar o Regressisedrhn/Ganda o Regressi linier ganda Sda Hubungan  Perbedaan logistic o Correlation Sdrhn/Ganda . perubhn o Besar hub. Ordinal Ordinal  Arah hubungan 30 sampel (utk.b.a. D signif.PETUNJUK PEMILIHAN UJI STATISTIK JENIS VARIBEL INDEP Nominal DEPEND Nominal Skala pengukuran Var JENIS/ SIFAT PENGUKURAN PILIHAN JENIS UJI STATISTIK BESAR SAMPEL o Arah hubungan o Magnitude/ o Pearson Chi-Square o Fisher Excat test o Mc Nemar test o Phi (Ф)  Somers. Analis ) Rumus sampel utk. Kesimpulan Populasi sda  Hubungan  Kendall Thau.  Besar hubungan  Perbedaan  Spearman Correlation  Median sampel  Mann Withney – U (alt.

Skala pengukuran variabel Ordinal Interval Interval Nominal Nominal Ordinal  Hubungan  Etha JENIS/ SIFAT PENGUKURAN PILIHAN JENIS UJI STATISTIK BESAR SAMPEL .PETUNJUK PEMILIHAN UJI STATISTIK JENIS VARIBEL INDEP DEPEND.

KONSEP PENGUKURAN VARIABEL (Instrumentasi) .

1SD Mean + 1SD .1SD Mean + 1SD .UJI CHI-SQUARE Prinsip Distribusi Frekuensi Observasi ( O ) Distribusi Frekuensi Harapan ( E ) Sumbu ( X ) .

UJI CHI-SQUARE Penggunaan Contoh tabel 2 x 2 Baris (skala nominal) 1 1 2 2 Kolom (skala nominal) .

UJI CHI-SQUARE RUMUS UNTUK SATU SAMPEL Yate‟s Correction ( O – E )² X² = Σ -------------E Dimana : ( |O – E .5| )² X² = Σ ---------------------E O = Frekuensi Observasi (observe) E = Frekuensi Harapan (expected) Σ = Sigma = jumlah DF = (C-1)(R-1) .0.

RUMUS UMUM “ FISHER EXCAT TEST “ (A+B)! (C+D)! (A+C)! (B+D)! p = ----------------------------------------------N! A! B! C! D! .

RUMUS UNTUK DUA SAMPEL INDEPENDEN DUA POPULASI POPULASI (A) POPULASI (B) N = n1 + n2 n1 SATU POPULASI (KEL X) n2 Tanpa Intervensi RW (A) RW (B) Dengan Intervensi n1 n2 N = n1 + n2 .

MODEL DESAIN TABEL BERAT BADAN PMT Total BAIK KURANG persen % Jumlah Persen jumlah persen jumlah INTENSIF a % b % a+b TIDAK INTENSIF JUMLAH c a+c % % d b+d % % c+d N % % .

RUMUS UMUM n ( | ad – bc | .½ n ) ² x ² = ---------------------------------------(a+b) (a+c) (b+d) (c+d) .

9) TOTAL 110: (100.1) Tidak ada karies 29: (26.4) 55: (64.0) .0) 112: (57.2. cara mengosok gigi.6) 31: (36. dan keteraturan memerikskan gigi. ketepatan waktu menggosok gigi. Analisis ini menggunakan persentase baris yang dimaksudkan untuk membandingkan persentase variabel dependen menurut variabel independennya sebagai berikut : Tabel 8 Sebaran persentase kejadian karies gigi menurut kebiasaan makan dan minum kariogenik pada murid kelas vi SD sudirman tahun 2005 KEBIASAAN MAKAN DAN MINUM KARIOGENIK Kurang baik Baik JUMLAH Sumber : Data primer KEJADIAN KARIES GIGI Ada karies 81: (73.0) 86: (100. Analisis Persentase variabel Pada tahap ini dilakukan analisis persentase kejadian karies gigi menurut berbagai variabel sesuai dengan tujuan khusus penelitian yakni : Kebiasaan makan dan minum kariogenik.0) 84: (42.0) 196: (100.

1) Tidak ada karies 29: (26.9) TOTAL 110: (100.0) 86: (100. Analisis Persentase variabel Pada tahap ini dilakukan analisis persentase kejadian karies gigi menurut berbagai variabel sesuai dengan tujuan khusus penelitian yakni : Kebiasaan makan dan minum kariogenik.0) .6) 31: (36. ketepatan waktu menggosok gigi.4) 55: (64.0) 196: (100. cara mengosok gigi. dan keteraturan memerikskan gigi.0) 84: (42.0) 112: (57. Analisis ini menggunakan persentase baris yang dimaksudkan untuk membandingkan persentase variabel dependen menurut variabel independennya sebagai berikut : Tabel 9 Sebaran persentase kejadian karies gigi menurut kebiasaan makan dan minum kariogenik pada murid kelas vi SD sudirman tahun 2005 KEBIASAAN MAKAN DAN MINUM KARIOGENIK Kurang baik Baik JUMLAH Sumber : Data primer KEJADIAN KARIES GIGI Ada karies 81: (73.2.

ketepatan waktu menggosok gigi. Analisis Hubungan variabel Pada tahap ini dilakukan analisis hubungan variabel kejadian karies gigi dengan variabel independennya sesuai dengan tujuan khusus penelitian yakni : Kebiasaan makan dan minum kariogenik.000 .3.848 Phi= 0. sedangkan penilaian kemaknaan hubungan dinilai melalui nilai “ p value” . dan keteraturan memerikskan gigi.000 0. cara mengosok gigi. Penilaian adanya hubungan didasarkan atas hasil uji Chi-square dengan rumus satu satu sampel. Besarnya kontribusi variabel independen terhadap variabel dependen dinilai melalui uji “ Phi ( Φ )“ sebagai berikut : Tabel 10 Hubungan kejadian karies gigi dengan kebiasaan makan dan minum kariogenik pada murid kelas vi SD sudirman tahun 2005 KEBIASAAN MAKAN DAN MINUM KARIOGENIK KEJADIAN KARIES GIGI Ada karies Tidak ada karies TOTAL Hasil Uji Chi-square P value Kurang baik Baik JUMLAH Sumber : Data primer 81 31 112 29 55 84 110 86 196 X2 = 27.377 0.

9% 20.0% 58.8% 28.3% 50.6% 23 31.4% 41.2% 100.3% 13.0% 63.2% 8.0% 49 68.0% 36.4% 174 100.6% 58.8% 22.7% 13.0% 100.1% 77.Status pekerj aan * Keteraturan berobat Crosstabulation Keteraturan berobat Teratur Tidak teratur 88 14 86.2% Status pekerjaan Bekerja Tidak bekerja Total Count % within Status pekerjaan % within Keteraturan berobat % of Total Count % within Status pekerjaan % within Keteraturan berobat % of Total Count % within Status pekerjaan % within Keteraturan berobat % of Total Total 102 100.8% 100.6% 72 100.0% 41.0% .0% 100.2% 111 63.2% 63 36.7% 79.

Computed only for a 2x2 table b. The minimum expected count is 26. (2-sided) .000 .002 174 df 1 1 1 Asymp.612 56.07. .000 Exact Sig.000 .000 a. (2-sided) Exact Sig.000 . (1-sided) Pearson Chi-Square a Continuity Correction Likelihood Ratio Fisher's Exact Test N of Valid Cases . Sig.Chi-Square Tests Value 53.0%) have expected count less than 5.938b 51. 0 cells (.

. Sig. T b Nominal by Nominal Phi Cramer's V Measure of Agreement Kappa N of Valid Cases a.557 .553 174 Asymp. Using the asymptotic standard error assuming the null hypothesis.000 b.557 .000 .064 7. .000 . Not assuming the null hypothesis. Error Approx.344 Approx. a Std.Symmetric Measures Value . .

322 1.391 2.121 28.817 .Risk Estimate 95% Confidence Interval Lower Upper 6.911 .701 .336 Value Odds Ratio for Status pekerjaan (Bekerja / Tidak bekerja) For cohort Keteraturan berobat = Teratur For cohort Keteraturan berobat = Tidak teratur N of Valid Cases 13.202 174 .368 3.

Mc NEMAR TEST Tabel analisis untuk menguji signifikansi perubahan (MC Nemar Test) Sebelum intervensi + Jumlah Sesudah intervensi A C A+C + B D B+D Total A+B C+D A+B+C+D Intervensi dengan pemb. PMT 6bln .

Mc NEMAR TEST Catatan : pada keadaan ini distribusi sampling x ² diasumsikan berdistribusi Chi-Square dengan DF = 1  Bila disederhanakan bentuknya diperoleh bentuk rumus sebagai berikut : ( A – D )² x ² = ----------------A + D  dengan DF = 1 .

1)² x ² = ----------------------------A + D  dengan DF = 1 .Mc NEMAR TEST Koreksi kontinyuitas Menggunakan prinsip koreksi (Yates) dengan rumus : (| A – D | .

DESAIN TABEL UNTUK UJI ORDINAL SKALA ORDINAL VARIABEL A SKALA ORDINAL JUMLAH B C A B C JUMLAH .

• Metode Statistika yang digunakan adalah uji Kendall‟s atau yang terdiri dari : • Kendall‟s taua • Kendall‟s taub • Kendall‟s tauc • Spearman rank correlation . • Pengelompokan / pengkategorian variabel dilakukan menurut skala ordinal. Antara satu variabel dan variabel lainnya.PRINSIP UJI ORDINAL • Variabel yang akan diuji bersumber dari sampel dan untuk selanjutnya karakteristik yang ada didalam sampel dilihat hubungannya.

.PRINSIP UJI • Dikemukakan oleh Kendall pada tahun 1983 dan dikenal sebagai Kendall tau_a atau taua.). • Rumus umum yang digunakan adalah : K–D Taua = -------------------n(n–1)/2 Keterangan : K = Jumlah pasangan Konkordans D = Jumlah pasangan Diskonkordans n = Banyaknya pasangan yang mungkin dibentuk. • Diskonkordans berarti urutan tidak wajar → dinilai ( . • Konkordans ( sesuai ) berarti susunan observasi berada didalam urutan yang wajar → dinilai ( + ).

124 15 ( 14 ) .PRINSIP UJI Perhitungan konkordans dan diskonkordans dilakukan dengan menggunakan rumus berikut : K–D tau-a = ---------------------n(n–1)/2 K – D → diperoleh dari rumus : N = 4 Σ Ci – n ( n -1 ) = 4 ( 59 ) – 15 ( 14 ) → 236 – 210 = 26 26 tau-a = ---------------------.= 0.

sedangkan rumus yang digunakan ialah : K–D tau-b = ---------------------------------------------------------------------------------------------------------------√ [ { n ( n – 1 ) / 2 – T1 } { n ( n – 1 ) / 2 – T2 ] Keterangan : T = Jumlah pasangan yang bersamaan.b Digunakan apabila terdapat nilai pasangan observasi yang bersamaan.PRINSIP UJI Rumus untuk Kendall tau . .

. dimana nilainya hampir mencapai nilai ( + 1 ) dan ( .1 ).PRINSIP UJI Kendall tau-c Rumus umum yang digunakan ialah : 2m ( K – D ) tau-c = ------------------------- n²(m–1) Keterangan : m = adalah bilangan terkecil diantara kategori dari variabel ordinal X dan Y. Yang digunakan untuk menghitung index korelasi ialah kendall taub dan c.

0% 0 .0% 98 100.00 0 .7% 0 1 .3% 28.3% 0 .0% .7% 4 14 21.6% 60 32 61.1% Total 55 100.2% Sangat percaya 4.0% 105 49 60.2% 32.0% 1 100.1% 73.0% 174 100.0% 18 10.00 3.1% 0 .0% 1 100.00 2.00 41 2 74.00 KREDIBX 1.00 4.00 5.0% 1 100.0% 1 5.0% 19 100.5% 3.0% 100.00 Total Count % within KREDIBX Count % within KREDIBX Count % within KREDIBX Count % within KREDIBX Count % within KREDIBX Count % within KREDIBX 12 21.0% 0 .0% 2 1.3% Percaya Kurang percaya Tidak percaya Sangat tdk percaya (STP=1) 5 Variabel Kemampuan Sangat mampu Mampu Kurang mampu Tidak mampu (SP =5) 1 ( P = 4) 2 (KP =3) 3 (TP =2) 4 Sangat tdk mampu (STP=1) 5 .00 3.CONTOH HASIL UJI ORDINAL Variabel Kredibilitas KREDIBX * MAMPUX Crosstabulation MAMPUX 2.0% (SP =5) 1 (P = 4) 2 (KP =3) 3 (TP =2) 4 1.8% 6 6.0% 0 .0% 0 0 .

103 .HASIL UJI SOMER‟S D Directional Measures Value . Using the asymptotic standard error assuming the null hypothesis.050 8. T Approx. .049 8.000 .053 8. Sig.103 . a b Std. b.484 .495 .103 .473 Asymp.000 . . Error Approx.000 Ordinal by Ordinal Somers' d Symmetric KREDIBX Dependent MAMPUX Dependent a. Not assuming the null hypothesis.

054 Approx. Using the asymptotic standard error assuming the null hypothesis. d.484 .799 . T 8.000 c .000 c b. Sig.000 .They require a symmetric 2-way table in which the values of the first variable match the values of the second variable.898 8.d 174 Asymp. Not assuming the null hypothesis. Approx.044 .516 .103 7.HASIL UJI KENDALL THAU.000 . Error .430 b Ordinal by Ordinal Kendall's tau-b Kendall's tau-c Gamma Spearman Correlation Interval by Interval Pearson's R Measure of Agreement Kappa N of Valid Cases a. .541 . c. a Std.049 . .103 8. Kappa statistics cannot be computed. DAN SPEARMAN CORRELATION Symmetric Measures Value .103 8.060 .052 .000 . Based on normal approximation.360 .

Tabel . 5 Perhitungan skor interval kelas masing-masing variabel perindividu dan kelompok pasien tbc paru yang berobat di rumah sakit umum daerah labuang baji kota makassar tahun 2007 PERHITUNGAN SKOR DAN INTERVAL No 1 2 3 Indivivu 5 x 5 =25 5 x 4 =20 5 x 3 =15 Interval 21 – 25 16 – 20 11 – 15 Kelompok Interval GRADE Sangat sepakat Sepakat Kurang sepakat 5 x 5 x 174 3481 – 4350 5 x 4 x 174 2611 – 3480 5 x 3 x 174 1741 – 2610 4 5 5 x 2 =10 5 x 1 =5 6 – 10 0–5 5 x 2 x 174 5 x 1 x 174 871– 1740 0 – 870 Tidak sepakat Sangat tidak sepakat Sumber : Data primer .

dengan indeks korelasi = ( ρ ) yang memberi makna besarnya korelasi ordinal / kontribusi variabel independen terhadap variable dependennya. dimana untuk α = 0.05 nilainya ≥ 1. maka distribusinya mendekati distribusi normal sehingga parameter yang digunakan ialah nilai z standar.96. Penilaian signifikansi hubungan antar variabel dinilai melalui nilai p ( ≤0.c.05 ). Analisis hubungan dilakukan sesuai dengan kerangka konsep penelitian sebagai berikut : . sedangkan besarnya korelasi antara variabel independen dengan variabel dependennya dinilai melalui uji Spearman correlation. Penggunaan uji Kendall thau-c untuk besar sampel lebih dari 30. Pada tahap ini dilakukan analisis hubungan antara variable independent dengan variable dependen. dengan menggunakan uji Kendall thau-c. Analisis hubungan variabel.

0 0.5 66.0 0.0 0.0 0.0 Sumber : data primer .6 Sngt tdk percaya n 0 0 0 0 1 1 % 0.3 31.7 60.0 0.9 0.0 100.15 Hubungan media yang digunakan dengan Kredibilitas petugas pada penyampaian informasi terhadap pasien tbc paru yang berobat di rumah sakit umum daerah labuang baji kota makassar tahun 2007 Kredibilitas petugas kesehatan (credibility) Media (channels) Sangat percaya n Sangat sesuai Sesuai Kurang sesuai Tidak sesuai Sngt tdk sesuai JUMLAH 19 35 1 0 0 55 % 61.3 0.0 56.6 n 31 113 26 3 1 174 Total % 100.8 0.0 8.0 0.Tabel.0 100.2 61.0 100 0.0 34.0 3.7 0.0 100.6 Percaya n 12 68 16 2 0 98 % 38.0 0.9 Tidak percaya n 0 1 0 0 0 1 % 0.0 31.0 100.3 Kurang percaya n 0 9 9 1 0 19 % 0.0 10.6 33.0 100.0 0.

Rumus umum yg digunakan adalah : 6  bi²  = 1 .1)  = rho = rs bi = Perbedaan nilai var 1 dan 2 .KOEFISIEN KORELASI RANK SPEARMAN Prinsip : Adalah ukuran assosiasi dimana kedua variabel diukur dengan skala ordinal. sehingga obyek yg dipelajari dapat dirangking dalam bentuk urutan.-----------------n (n² .

B. Dengan nilai sebagai berikut : Hasil penilaian skripsi mahasiswa oleh dosen Nama mahasiswa A B C D E F G H Dosen I (variabel ke 1) 70 85 65 50 90 80 75 60 Dosen II (variabel ke 2) 80 75 55 60 85 70 90 65 .KOEFISIEN KORELASI RANK SPEARMAN Contoh kasus Dua orang dosen FKM Unhas membreikan penilaian terhadap skripsi 8 orang mahasiswanya yg terdiri dari mahasiswa A. G. E. H. F. C. D.

2. 1. . 5. Tentukan perbedaan harga dari masing-masing variabel X dan Y. 4.PENYELESAIAN Buat daftar dari kedua variabel yang diobservasi (variabel 1 = x) dan (variabel ke 2 = Y) Buat rangking masing-masing variabel X dan Y. 6.  dan beri kode dengan “ bi “ Kuadratkan harga bi. 3. Jumlahkan kuadrat  bi² untuk memperoleh Hasilnya dimasukkan dalam rumus umum.

PENYELESAIAN Peringkat dari dua dosen Nama mahasiswa A B C D E F G H Jumlah Dosen I Dosen II Peringkat dosen I 70 85 65 50 90 80 75 60 80 75 55 60 85 70 90 65 5 2 6 8 1 3 4 7 Peringkat dosen II 3 4 8 7 2 5 1 6 Beda (bi) 2 -2 -2 1 -1 -2 3 1 bi² 4 4 4 1 1 4 9 1 28 .

selanjutnya dimasukkan didalam rumus umum sebagai berikut : 6 (28) rs = 1 .6667 8 (64-1) Interpretasi : r = +1  terdapat penyesuaian sempurna r = -1  tidak ada kesesuaian .-----------------.PENYELESAIAN Hasil perhitungan Dari hasil perhitungan tabel.= 0.

KORELASI DAN REGRESSI LINIER .

Jika variabel dependen dihubungkan dengan hanya satu variabel independen maka persamaan regresi yang dihasilkan ialah “regresi linier sederhana” Jika variabel independennya lebih dari satu menghasilkan “ regresi linier berganda” (multiple linier regression ). respon) dengan satu atau beberapa var. predictor).TUJUAN Menguji hubungan antara satu variabel Dependen (var. 1. . 2. Independen (var.

Y) bilamana variabel independen (var. x) = 0 b = (β1) → Slope ialah koefisien arah yang merupakan perubahan dalam variabel dependen yang dicocokkan untuk sebuah perubahan dalam variabel x .RUMUS UMUM Y = a + bx Keterangan : a = (βo) → Intercept ialah estimasi atau perkiraan teoritis variabel dependen (var.

Y b a Intercept Slope Var. X .PERSAMAAN GARIS REGRESSI Y = a + bx Var.

RUMUS UMUM Y = a + bx Ialah persamaan regressi untuk data hasil observasi ( sampel ). . Y = βo + β1xi + e Ialah persamaan garis regressi untuk data populasi.

RUMUS UMUM
Keterangan :
ei = Error
Ialah random error yang terjadi disekitar garis regressi atau perbedaan antara harga observasi Yi dan mean sub populasi (sampel) pada titik xi Diasumsikan berdistribusi normal independen variabel-variabel random dengan mean = 0 dan varians = σ²

NOTASI / TERMINOLOGI
Y → Estimator (penaksir) ialah garis regressi yang diperoleh dari hasil perhitungan sampel ( data observasi ). Ŷ → Estimate (Yang ditaksir) ialah garis regressi pada populasi yang dimaksudkan untuk ditaksir nilainya berdasarkan hasil perhitungan sampel. β0 →Intercept Populasi ialah nilai variabel dependen pada populasi (var. Y) bilamana variabel independen (var. X) = 0 ( tidak diketahui ) β1 →Slope Populasi ialah kofisien arah yang merupakan perubahan dalam variabel dependen yang dicocokkan untuk sebuah perubahan dalam variabel X dalam populasi ( tidak diketahui ).

SCATTER DIAGRAM
Gaji sekarang

60000 50000

40000
30000 20000 10000 0 10000 20000 30000 40000

Gaji awal

Konsekuensinya adalah terjadi penyimpangan hasil observasi dari persamaan garis yang diduga yang dikenal dengan “random errror disekitar garis regressi”.MEMILIH GARIS REGRESSI Dalam kenyataan hasil perpotongan antara variabel Y dan variabel X berdasarkan data hasil observasi tidak semuanya tepat jatuh pada garis regressi tetapi hanya sebagian saja. Yang ditunjukkan pada scatter diagram berikut : .

RANDOM ERROR Scatter Diagramnya gaji awal dan gaji sekarang adalah : 60000 Gaji sekarang 50000 40000 30000 20000 10000 0 10000 20000 30000 40000 Gaji awal .

(dianggap = 0) .MENGHILANGKAN RANDOM ERROR Untuk menghilangkan error tersebut digunakan “metode kuadrat terkecil” (Least Square) (Least Square) ialah suatu persamaan garis dimana jumlah kuadrat dari jarak vertikal tiap-tiap titik pengamatan terhadap garis tersebut minimum.

(ΣXi) (ΣX Y ) ---------------------------------n ΣXi ² – (ΣX )² i i i b = ΣX Y .bX .INTERCEP DAN SLOPE Perhitungan parameter intercep dan slope dilakukan sebagai berikut : a = (ΣYi) (ΣXi²) .(ΣYi) (ΣX ) ---------------------------n ΣXi² – (ΣX )² n i i i i a = Ῡ.

(ΣYi) (ΣX ) ---------------------------n ΣXi² – (ΣY )² n i i i i .INTERCEP DAN SLOPE Perhitungan parameter intercep dan slope dilakukan sebagai berikut : c = (ΣYi) (ΣXi²) .(ΣXi) (ΣX Y ) ---------------------------------n ΣYi ² – (ΣY )² i i i d = ΣX Y .

3. Regressi Linier Ŷ = a + bx Parabola Kuadratik Ŷ = a + bx + cx² Parabola Kubik Ŷ = a + bx + cx² + dx³ Eksponen ̽ Ŷ = ab 2.BENTUK PERSAMAAN GARIS REGRESSI 1. . 4.

BENTUK PERSAMAAN GARIS REGRESSI 5. . Logistik 1 Ŷ = --------------̽ ab + c Hiperbola 1 Ŷ = --------------a+b 8. 7. Geometrik b Ŷ = ax bx Gompertz Ŷ = pq 6.

terhadap nilai statistik yang dicapainya.CONTOH PENGGUNAAN REGRESSI Seorang peneliti ingin mengetahui pengaruh tingkat intelegensi (IQ) mahasiswa STIKES-NH. kemudian dilakukan test (IQ). selanjutnya para mahasiswa tersebut diberi test statistik dengan hasil seperti yang tercantung pada tabel berikut : . Untuk keperluan tersebut ditarik sampel sebesar 12 mahasiswa.

1 2 3 4 5 6 7 8 9 10 11 12 n = 12 Skor test IQ (xi) 65 50 55 65 55 70 65 70 55 70 50 55 Nilai statistik ( Yi) 85 74 76 90 85 87 94 98 81 91 76 74 Xi2 4225 2500 3025 4225 3025 4900 4225 4900 3025 4900 2500 3025 xiYi 5525 3700 4180 5850 4675 6090 6110 6860 4455 6370 3800 4070 ∑xi = 725 ∑Yi = 1011 ∑xi2 = 44475 ∑ xiYi = 61685 .CONTOH PENGGUNAAN REGRESSI Nomor Mah.

8972 n ΣXi² – (ΣXi)² (12)(44475) – (725)2 Y = 0.(ΣYi) (ΣXi) (12)(61685) – (1011)(725) b = ---------------------------.= -----------------------------------------n ΣXi ² – (ΣXi)² 12(44475) – ( 725)2 = 0.= 0.(ΣXi) (ΣXiYi) (1011)(44475) – (725)(61685) a = -----------------------------------.8972(X) .5043 + 0.= -------------------------------------.PENYELESAIAN (ΣYi) (ΣXi²) .5043 n ΣXiYi .

8972 x 70 0.CONTOH PENGGUNAAN REGRESSI Nomor Mah.5043 + 0.31 58.5043 + 0.5043 + 0.8972 x 70 0.8972 x 55 0.85 63.8972 x 50 0.8972 x 50 0.5043 + 0.8972 x 65 0.82 63.8972 x 65 0.8972 x 70 0.5043 + 0.85 63.5043 + 0.5043 + 0.8972 x 55 ^ Y 58.5043 + 0.85 Nilai Yi asli 85 74 76 90 85 87 94 98 81 91 76 74 .5043 + 0.85 58.8972 x 55 0.5043 + 0.82 45.31 45.31 59. 1 2 3 4 5 6 7 8 9 10 11 12 Skor test IQ (xi) 65 50 55 65 55 70 65 70 55 70 50 55 Y = a + bx 0.5043 + 0.5043 + 0.8972 x 55 0.82 59.8972 x 65 0.36 59.36 59.

00 .25 0.50 .00 0.75 1.25 .50 .00 Nilai IQ .75 Nilai statistik .MODEL GARIS REGRESSI 1.00 .

Besarnya derajat hubungan antara variabel x dan Y (korelasi antara x dan Y) dinyatakan dengan “ r ” yang dikenal dengan istilah Koefisien korelasi.ANALISIS KORELASI Garis regressi dianggap parameter terbaik untuk untuk sekumpulan data berbentuk linier.  biasa juga diberi simbol dengan “ R “ .

 sering disebut dengan R Square = (R2) ^ .ANALISIS KORELASI BENTUK RUMUS UMUMNYA ADALAH : ∑ (Yi – – ∑(Yi – Yi) 2 r2 = ----------------------------------------∑( Yi – Y )2 Y)2 r2 disebut “ Koefisien Determinasi “ atau Koefisien Penentu.

x / S2y .(∑ Xi) (∑ Yi ) ---------------------------------------------------------- { n ∑ Xi2 – (∑ Xi )2} { n ∑ Yi2 – (∑ Yi )2 } Bentuk Lain : r = 1 .ANALISIS KORELASI Untuk Menghitung Nilai Korelasi “ r “ atau R digunakan rumus sebagai berikut : r = n ∑ Xi Y .S2y.

(∑ Xi) (∑ Yi ) -------------------------------------n ∑ Yi2 – (∑ Yi )2 Sedangkan rumus korelasi r adalah sebagai berikut : r = bSx / Sy .ANALISIS KORELASI Apabila telah diketahui nilai „b‟ maka koefisien determinasi r2 dapat dihitung sebagai berikut : r2 = n ∑ Xi Y .

Dependent Variable: VARY . VAR X b.HASIL ANALISIS KORELASI b Model Summary Model 1 R R Square .331 Std.392 Adjusted R Square .322055 a. Predictors: (Constant).626 a . Error of the Estimate 5.

HASIL ANALISIS KORELASI Hasil perhitungan dengan teknik komputerisasi adalah sebagai berikut : R (Korelasi) = r R Square (Pengaruh)= r2 = 0.392 Adjusted R Square (Perkiraan) = 0.331 Standard error of the estimate = 5.322055 .626 = 0.

276 2.0000 0.909450 771.471941 Beta 0.047410 955.282303 SE B 0. .T 0.Terminologi Hasil Print Out Analisis Regressi Hasil Print Out Analisis Regressi ------------------Variabel in Equation-------------------------Variabel SALBEG (Constant) B 1.170 Sig.0305 -----------------------------------------------------------------------Kofisien → [ B ] Ialah intercept “a” (constan) dan slope “b” (salbeg) dari hasil analisis regressi.880117 T 40.

→ [Beta] ialah koefisien regressi β1 apabila variabel x dan y diekspresikan sebagai “skor standar” (Z – score) – Diperoleh dengan menggunakan rumus : Sx Beta = β1 -------Sy – Ket : Sx : ialah standar deviasi dari variabel X Sy : ialah standar deviasi dari variabel Y Estimasi standar Error → [SE B] ialah estimasi standar error dari “β1β0” untuk populasi .Terminologi Hasil Print Out Analisis Regressi Koefisien Regressi Terstandarisasi.

atau “slope dari regressi populasi (β1) = 0 Rumus yang digunakan : β1 t = ---------- S β1 . T ] ialah uji hipotesis mengenai ada atau tidaknya hubungan linier antara variabel X dan variabel Y.Terminologi Hasil Print Out Analisis Regressi Uji Hipotesis → [ T dan Sig.

Uji statistik yang digunakan untuk menguji bahwa intercept (β0) = 0 ialah : β0 t = ---------- Sβ 0 .Terminologi Hasil Print Out Analisis Regressi Apabila tidak ada hubungan linier antara variabel X dan varibel Y maka data dari sampel akan berdistribusi “student’s” t. dengan derajat kebebasan N – 2 .

Equality variance. Linearity ialah nilai-nilai mean seluruhnya terletak pada garis lurus yang merupakan garis regressi populasi Yi = β0 + β1Xi + ei → dimana ei diasumsikan berdistribusi normal independen dengan mean = 0 dan varians = σ² . maka digunakan prinsip “LINE”. → Linearity. Independency.Generalisasi Sampel Terhadap Populasi Untuk melakukan generalisasi hasil sampel terhadap parameter populasi. Normality.

.Generalisasi Sampel Terhadap Populasi Indenpendency secara statistik maka variabel Y harus independen antara satu dengan lainnya. Normality dan Equality variance ialah untuk setiap nilai variabel independen X maka variabel dependen Y → akan berdistribusi normal dengan mean = μy/x dan variance konstan = σ² Artinya tidak setiap perubahan variabel independen X diikuti oleh perubahan yang sama oleh variabel dependen Y.

Generalisasi Sampel Terhadap Populasi Asumsi regressi y β0+β1X ei Y1 x X1 X2 X3 X4 .

Goodness Of Fit Ialah salah satu prosedur statistik yang digunakan untuk menentukan / menetapkan seberapa baik suatu model yang dipilih berdasarkan data sampel dan memang sesuai dengan keadaan nyata ( populasi ) dilapangan. . → dikenal dengan istilah “Goodness Of Fit”.

 1 → berarti seluruh nilai observasi terletak pada garis regressi. • Niali dari R² ini berada diantara 0 sampai dengan 1.  0 → berarti nilai observasi tidak ada / sebagian kecil saja jatuh pada garis regressi.Goodness Of Fit Koefisien Determinasi → [ R Square = R² ] • Ialah ukuran goodness of fit yang digunakan untuk menentukan model linier untuk satu persamaan garis lurus. .

ialah koreksi dari R² sehingga gambarannya lebih mendekati model dalam populasi.Goodness Of Fit • Multiple R Ialah banyaknya persentase (%) variabilitas variabel dependen Y yang dapat diterangkan oleh variabel independen X. . • Adjusted R Square.

77413 Standar error 3246.Goodness Of Fit • Print Out Hasil analisis -------------------------------------------------------------Multiple R 0.88012 R Square 0.77461 Adjusted R Square 0.14226 -------------------------------------------------------------- .

REGRESSI LINIER BERGANDA LOGISTIK .

.REGRESSI LINIER BERGANDA LOGISTIC MODEL UMUM p = a + b1x1 + b2x2 + ……………….  Odds  sendiri adalah rasio antara probabilitas suatu “ peristiwa “ untuk terjadi (sukses) dan probabilitas peristiwa untuk tidak terjadi (gagal). bn xn  Model tersebut baru dapat dipakai apabila “p” ditransformasikan dalam bentuk “ logodds “  “ Logodds “ = logit  ialah logaritme natural dari odds. ..

Apabila probabilitas suatu peristiwa untuk terjadi disebut ( p ) maka dengan sendirinya probabilitas suatu peristiwa untuk tidak terjadi adalah (1 – p ) Dengan demikian “ log odds “ untuk (p) adalah sebagai berikut : p Log odds (p) = -----------(1.) = a + b1x1 + b2x2 + ………… bn xn 1.p .p) Dengen demikian rumus umum dari regressi berganda logistik adalah : p Ln ( -------.

….xk = variabel prediktor yang akan dilihat pengaruhnya.Keterangan : a = konstanta (interceps) b1. b2 … = koefisien korelasi variabel prediktor atau idependen) yang dikenal dengan “slope “. p = probabilitas untuk terjadinya peristiwa dari variabel respons ( dependen) Y yang berskala biner (binary) dan berdistribusi normal .(koefisien korelasi variabel indep) x1. x2.

PERSAMAAN GARIS REGRESSI Y = a + bx Var. Y b a Intercept Slope Var. X .

SCATTER DIAGRAM Gaji sekarang 60000 50000 40000 30000 20000 10000 0 10000 20000 30000 40000 Gaji awal .

RANDOM ERROR Scatter Diagramnya gaji awal dan gaji sekarang adalah : 60000 Gaji sekarang 50000 40000 30000 20000 10000 0 10000 20000 30000 40000 Gaji awal .

atau inversi dari logaritma natural ( ln).Keistimewaan : Mampu mengkomversi koefisien regressi (bi) menjadi Rasio odds sebagai berikut : OR = Exp (bi)  dengan : Keterangan : OR = Rasio Odds variabel prediktor (xi) atau (independen) terhadap variabel dependennya bi = Koefisien regressi variabel prediktor (independen) xi Exp = Exponensial. .

adalah rasio odds dari variabel tersebut setelah dikontrol dengan variabel lainnya  artinya setiap kenaikan 1 unit variabel independen maka rasio odds nya akan bertambah …. Wald = adalah kuadrat dari (B) dibagi dengan standar errornya. dan memberi arti apakan variabel independen berakna atau tidak ( acuan ini sifatnya tidak mutlak). Artinya setiap kenaikan 1.. namun disini berarti “ln rasio odds”.NOTASI HASIL UJI B = Koefisien.  Mirip dengan korelasi partiel dari regressi liner berganda. R = Besarnya kontribusi variabel variabel independen bila dimasukkan kedalam model..  penilaiannya didasarkan atas Degree of Freedom. . maka ln rasio odds akan bertambah …………. Kali. yang mirip dengan regresi biasa. Exp(B) atau  eB.

HASIL UJI REGRESSI LINIER BERGANDA LOGISTIK .

0 100.0 .0 . If weight is in effect.0 a. . see classification table for the total number of cases.0 100.Case Processing Summary Unweighted Cases Selected Cases Included in Analysis Missing Cases Total Unselected Cases Total a N 174 0 174 0 174 Percent 100.

.092 .Block 0: Beginning Block a.847 240. Constant is included in the model.092 a.b. Estimation terminated at iteration number 2 because parameter estimates changed by less than .001. b.c Iteration History Iteration Step 1 0 2 -2 Log likelihood 240. Initial -2 Log Likelihood: 240.847 c.847 Coefficients Constant .

3 Observed Step 0 MAMPUY Overall Percentage . b. The cut value is .500 .00 a.00 1.0 52.Classification Tablea.0 100. Constant is included in the model.00 0 83 0 91 Percentage Correct .00 1.b Predicted MAMPUY .

877 df 1 1 1 1 1 1 1 Sig.030 110.000 .000 . Residual Chi-Squares are not computed because of redundancies.581 93.768 83.092 S.Variables in the Equation Step 0 Constant B . .000 .096 a Variables not in the Equation Step 0 Variables KREDIBY KREDIY MANFAY CONTEY CLARIY KONTINUY CHANELY Score 74.768 74.000 .141 101.368 df 1 Sig.152 Wald .544 Exp(B) 1.000 .026 91. . .000 a. .000 .E.

000 .000 .219 df 1 1 1 1 2 2 1 3 3 Sig.Block 1: Method = Forward Stepwise (Likelihood Ratio) Omnibus Tests of Model Coefficients Step 1 Step Block Model Step Block Model Step Block Model Chi-square 127.219 153.522 153.000 .110 127.000 .110 22.000 .000 Step 2 Step 3 .696 3.061 .110 127. .586 149.000 .000 .696 149.

151 87.770 .781 .585 Nagelkerke R Square .692 .577 .629 Cox & Snell R Square .518 .737 91.Model Summary Step 1 2 3 -2 Log likelihood 113.

Variables in the Equation Step a 1 Step b 2 CLARIY Constant CLARIY CHANELY Constant CLARIY KONTINUY CHANELY Constant B 4,528 -2,639 3,266 3,006 -3,901 2,990 1,296 2,359 -4,090 S.E. ,550 ,463 ,612 ,663 ,683 ,633 ,667 ,750 ,731 Wald 67,716 32,502 28,462 20,551 32,602 22,292 3,775 9,889 31,288 df 1 1 1 1 1 1 1 1 1 Sig. ,000 ,000 ,000 ,000 ,000 ,000 ,052 ,002 ,000 Exp(B) 92,615 ,071 26,210 20,208 ,020 19,894 3,656 10,578 ,017

Step c 3

a. Variable(s) entered on step 1: CLARIY. b. Variable(s) entered on step 2: CHANELY. c. Variable(s) entered on step 3: KONTINUY.

Correlation Matrix Step 1 Step 2 Constant CLARIY Constant CLARIY CHANELY Constant CLARIY KONTINUY CHANELY Constant 1,000 -,841 1,000 -,538 -,669 1,000 -,494 -,220 -,518 CLARIY -,841 1,000 -,538 1,000 -,116 -,494 1,000 -,117 -,058 CHANELY KONTINUY

-,669 -,116 1,000 -,518 -,058 -,399 1,000 -,220 -,117 1,000 -,399

Step 3

Model if Term Remov ed Model Log Likelihood -120,424 -61,650 -56,868 -55,807 -45,575 -48,862 Change in -2 Log Likelihood 127,110 32,150 22,586 23,986 3,522 10,096 Sig. of the Change ,000 ,000 ,000 ,000 ,061 ,001

Variable Step 1 CLARIY Step 2 CLARIY CHANELY Step 3 CLARIY KONTINUY CHANELY

df 1 1 1 1 1 1

935 2.000 .478 1.138 1.551 3.738 12. .738 9.213 a.071 .000 .710 .513 19.048 . .087 .000 .213 .000 .278 2.489 .a Variables not in the Equation Step 1 Variables Step 2 Variables Step 3 Variables KREDIBY KREDIY M ANFAY CONTEY KONTINUY CHANELY KREDIBY KREDIY M ANFAY CONTEY KONTINUY KREDIBY KREDIY M ANFAY CONTEY Score 12.071 .002 .272 22.000 .256 3.935 . Residual Chi-Squares are not com puted because of redundancies.553 df 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Sig.087 .915 3.256 .081 33.

Terima kasih “ Wassalamu Alaikum Wr Wb “ .

3.3/.70  $9.70  /:890/#$6:.88 :950#   #$6:.8.707747   .44/3088 19 W !739 :9.

##$$# # $% .

.8.39..##$$## $%  && 5.9:  50789. - -   -3 3 4/090780-:9-.850789..84.88:. :39:9/.-.907.-9.2-039: 44//8 44//8 49 ..381472./.-9.9:7.7.5. .5.574-.3574-.79203./.3/.9/5. :39:907./ 8:808 /.7:/..74//8 //8 803/7. 5 /97../ .7.4.

:39:907./.574-././03./. 80-..  5 03.8 8:..9:50789./ /80-:9 5 2.37:2:8:2:2/..-9.9:50789.489.-07:9 5 44//8 5   5 0303/02.-..574-.3/02./.7707088 -07.-9.:39:9/.3 44//8 :39: 5 .88:.907.3/.. 5 3  .3803/73. - -   5 -3 3 .5.

/.8..3/. 4389.-0570/947.7.3/03.3 .3-078.7.8.3 8450 401803470.8:39:907...:/0503/03 .-0570/947 . .3.9.50789.7 ./3.3-07/897-:83472.-9.0907..7 /..-07085438 /0503/03  .9 503.058 - - 401803470..7.7:3.3.7.-03/05     . -307 -3. 3907. 5 574-.39./03.

7  .7  .059 $450 '.!#$#$##$$ . - '. 3907.

3           ...7.$%%## . .80.

23.80.3. .80./..3..# ## # $..7..  ./..7.9907...7.3          .

9. 3 ..078401803707088 - 203.84 4//880-.3 0907.7.-0570/947 3/0503/03  5 543038.3.7.078/.9:7.08920.9.792.25:20342.-0/0503/033..7../. .:3.74.-0570/947  .3 . - 401803707088..: 3/0503/03 907.84 //8.3./#.-07:9 #5 -  /03..3 # #.5.

 .7. %$$& 401803 .3-079.844//8/..3..93.-03/0503/03-.2-.-0.8070041 700/42 /.33.7.73.3.8..809.7. 3.3275/03.3.:.7. ..85.7  /-.  5  .:.30/.224/0  75/03.: 0 .79 37.3381. .9.  503.5./ .//. ../43974/03.7.5 03.79.37.2:9.. /2.844//8.-03/0503/03 -07.7707088307-07.:9/.7 077473./.3  2.2:3 /83-07.370708-.844//8 793. .3/.7.3.33..793./.809.3-079.9.9..7.9/.4397-:8. # 08..3202-07./03.8.503..9/.-090780-:9 8090.2-.-0.3/....-03/0503/032.7.7. ...389.844//83..8:../7..790 /.3:39.7..3470.

$&##$$# # $% .

/09.94% 808.00$ 808.94% 808.     .. 808.0083& .47!08.949097410-.3 .188.22:$3880.    930.33/0/:.011038901  ..388 88./09.008 9.70! 808. .9349../0903& 7.1470-2:3 .

 .3893.9834  .93  0/42093/0/:.32709349. .298070902.298 .   93.7099.709  . 03334.9880-/03.9834 8930.709 4.  3.  /4404 ./09.0-70-2:3349..7.5 08:...1104     /440 4   509$ 349.809. 7498349.

0774 0.70.0% 0/42093/0/:.930.708- 0-.70!.  &! 509$ /0.  80:. .930.    &! /09..188.9834 ./07! -.    9.70! 0..3893.9:.%349.

$ 80-.' .        1/  &%  # %   # # $                074.3.:609394380-.7.    5  $  1/  /.:609380-.:/80#  .' 509$ 349.807..:6$ .9834 509$ 349.0-/09:524.7.   $   93. 80.94307./3:/071408:.7.' .

4 509$ 509$ 509$ 8930.:68  0/4 .4 509$ 0/4 .509$  $          1/                   07.94 .7/$90580 044/#.11040/4148980%8:-32 4.094/47.4 509$ 0/4 .

22:$0/4 .    07.:6$# 03$ 4       /440 4    509$ 7.   07.:6$# 0700.

      $          93.                    1/                            93. 509$          5 $          /.9834  # 93. &% 509834/070930 8 0-.9834 #  50-$ 9  50.'  .$ 9 349. 509834/070930 8 0-.'  #509834/070930 8 0-.9834  &%  #  .7.7.7.:609380-.'  .7.' .

9834 79.349.                      &%  # 93.9834  509$  509$ &%       #     93.0774 .9834 # 93.9834  509$  # 93.

              /440 40/4  &%  # 509$ 03.        1/             /440 4 303. 0914 $  # 509$ # 509$ 0-.' /0.7.420#270%10/4 .

.94307. 80-.7.:/80#  .' .0-/09:524./3:/071408:.:6$ .807.'  509$ 349.:609394380-.7. 80.'  509$ 80-.7..'  509$           $                1/                             074.3.$ %   # # &%  %   # #  &%  %   # # 80-.7.

..88.:27-  .2:.8 .%072.