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 :

Analis ) Rumus sampel utk. bertanda Wilcox. Kesimpulan Populasi sda  Hubungan  Kendall Thau.b.a.c  Sign test  Rangk.  Besar hubungan  Perbedaan  Spearman Correlation  Median sampel  Mann Withney – U (alt. 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.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 . Ordinal Ordinal  Arah hubungan 30 sampel (utk. perubhn o Besar hub.

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

KONSEP PENGUKURAN VARIABEL (Instrumentasi) .

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

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) .

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. ketepatan waktu menggosok gigi.0) 196: (100.2.1) Tidak ada karies 29: (26.0) . dan keteraturan memerikskan gigi.0) 112: (57.6) 31: (36. 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) 86: (100. cara mengosok gigi.9) TOTAL 110: (100.0) 84: (42.4) 55: (64.

0) 196: (100. ketepatan waktu menggosok gigi.0) 112: (57.9) TOTAL 110: (100.0) .0) 86: (100. dan keteraturan memerikskan gigi.0) 84: (42.1) Tidak ada karies 29: (26. cara mengosok gigi. 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.6) 31: (36. 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: (73.4) 55: (64.2.

ketepatan waktu menggosok gigi. 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 = 27.3. Penilaian adanya hubungan didasarkan atas hasil uji Chi-square dengan rumus satu satu sampel.000 0. cara mengosok 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 . dan keteraturan memerikskan gigi. sedangkan penilaian kemaknaan hubungan dinilai melalui nilai “ p value” .848 Phi= 0.377 0.

0% 36.8% 22.2% 63 36.4% 174 100.0% .3% 50.6% 23 31.Status pekerj aan * Keteraturan berobat Crosstabulation Keteraturan berobat Teratur Tidak teratur 88 14 86.0% 100.4% 41.2% 111 63.7% 13.8% 100.9% 20.1% 77.3% 13.2% 8.6% 58.2% 100.0% 49 68.0% 63.0% 41.7% 79.8% 28.0% 100.0% 58.2% 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 102 100.6% 72 100.

(1-sided) Pearson Chi-Square a Continuity Correction Likelihood Ratio Fisher's Exact Test N of Valid Cases .000 a.000 .000 . Sig.Chi-Square Tests Value 53.002 174 df 1 1 1 Asymp.612 56. . Computed only for a 2x2 table b. 0 cells (.07.000 Exact Sig. The minimum expected count is 26.938b 51.000 . (2-sided) Exact Sig.0%) have expected count less than 5. (2-sided) .

344 Approx. Not assuming the null hypothesis.064 7.000 b. T b Nominal by Nominal Phi Cramer's V Measure of Agreement Kappa N of Valid Cases a.000 .000 .Symmetric Measures Value . Error Approx. Using the asymptotic standard error assuming the null hypothesis. a Std.557 .553 174 Asymp. Sig.557 . . . .

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 13.322 1.701 .Risk Estimate 95% Confidence Interval Lower Upper 6.121 28.202 174 .391 2.368 3.817 .911 .

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 . Antara satu variabel dan variabel lainnya. • Pengelompokan / pengkategorian variabel dilakukan menurut skala ordinal.PRINSIP UJI ORDINAL • Variabel yang akan diuji bersumber dari sampel dan untuk selanjutnya karakteristik yang ada didalam sampel dilihat hubungannya.

• 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. • Konkordans ( sesuai ) berarti susunan observasi berada didalam urutan yang wajar → dinilai ( + ).PRINSIP UJI • Dikemukakan oleh Kendall pada tahun 1983 dan dikenal sebagai Kendall tau_a atau taua. . • Diskonkordans berarti urutan tidak wajar → dinilai ( .).

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 = ---------------------.= 0.124 15 ( 14 ) .

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.PRINSIP UJI Rumus untuk Kendall tau .b Digunakan apabila terdapat nilai pasangan observasi yang bersamaan. .

1 ). dimana nilainya hampir mencapai nilai ( + 1 ) dan ( . Yang digunakan untuk menghitung index korelasi ialah kendall taub dan c. .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.

1% Total 55 100.1% 73.7% 0 1 .2% 32.00 3.2% Sangat percaya 4.0% 19 100.00 KREDIBX 1.0% 2 1.5% 3.7% 4 14 21.CONTOH HASIL UJI ORDINAL Variabel Kredibilitas KREDIBX * MAMPUX Crosstabulation MAMPUX 2.0% 98 100.0% 1 100.8% 6 6.3% 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 .3% 28.00 4.00 0 .0% 1 100.0% .3% 0 .0% 1 5.0% (SP =5) 1 (P = 4) 2 (KP =3) 3 (TP =2) 4 1.0% 174 100.00 3.0% 0 0 .0% 0 .0% 100.0% 1 100.1% 0 .00 2.00 Total Count % within KREDIBX Count % within KREDIBX Count % within KREDIBX Count % within KREDIBX Count % within KREDIBX Count % within KREDIBX 12 21.0% 105 49 60.0% 0 .0% 0 .0% 18 10.6% 60 32 61.00 41 2 74.00 5.

053 8.049 8.000 .473 Asymp. b. Sig.103 .000 Ordinal by Ordinal Somers' d Symmetric KREDIBX Dependent MAMPUX Dependent a.103 .484 . a b Std. Using the asymptotic standard error assuming the null hypothesis.103 .HASIL UJI SOMER‟S D Directional Measures Value .050 8.495 . . . Not assuming the null hypothesis. T Approx.000 . Error Approx.

Sig.516 .d 174 Asymp. Error . a Std.360 .000 .000 .052 .000 c .103 7. . Kappa statistics cannot be computed.484 .103 8.898 8.054 Approx. T 8.049 .000 . Not assuming the null hypothesis.541 .HASIL UJI KENDALL THAU. c.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.044 . Approx. DAN SPEARMAN CORRELATION Symmetric Measures Value . Using the asymptotic standard error assuming the null hypothesis.060 .103 8. . Based on normal approximation.000 c b.They require a symmetric 2-way table in which the values of the first variable match the values of the second variable. d.799 .

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 .Tabel .

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

0 Sumber : data primer .0 100.0 100.3 0.0 3.0 0.0 8.9 Tidak percaya n 0 1 0 0 0 1 % 0.9 0.6 33.0 31.3 31.6 n 31 113 26 3 1 174 Total % 100.0 0.0 0.5 66.0 56.0 0.0 0.6 Sngt tdk percaya n 0 0 0 0 1 1 % 0.2 61.0 0.7 0.15 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 % 61.0 100 0.3 Kurang percaya n 0 9 9 1 0 19 % 0.0 100.0 100.Tabel.0 100.0 10.0 0.0 0.7 60.6 Percaya n 12 68 16 2 0 98 % 38.0 34.8 0.

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

G. E. 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 . F. H. D. B. C.KOEFISIEN KORELASI RANK SPEARMAN Contoh kasus Dua orang dosen FKM Unhas membreikan penilaian terhadap skripsi 8 orang mahasiswanya yg terdiri dari mahasiswa A.

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

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 .

2. . Independen (var.TUJUAN Menguji hubungan antara satu variabel Dependen (var. 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. 1. predictor).

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

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

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. Konsekuensinya adalah terjadi penyimpangan hasil observasi dari persamaan garis yang diduga yang dikenal dengan “random errror disekitar garis regressi”. 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.

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

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

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

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

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

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.

= 0.5043 n ΣXiYi .(ΣYi) (ΣXi) (12)(61685) – (1011)(725) b = ---------------------------.= -------------------------------------.8972(X) .8972 n ΣXi² – (ΣXi)² (12)(44475) – (725)2 Y = 0.= -----------------------------------------n ΣXi ² – (ΣXi)² 12(44475) – ( 725)2 = 0.5043 + 0.PENYELESAIAN (ΣYi) (ΣXi²) .(ΣXi) (ΣXiYi) (1011)(44475) – (725)(61685) a = -----------------------------------.

85 Nilai Yi asli 85 74 76 90 85 87 94 98 81 91 76 74 .5043 + 0.85 63.5043 + 0.5043 + 0.8972 x 55 0.5043 + 0.5043 + 0.31 59.8972 x 70 0.5043 + 0.8972 x 50 0.CONTOH PENGGUNAAN REGRESSI Nomor Mah.8972 x 70 0. 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 0.82 59.8972 x 55 0.8972 x 65 0.85 63.36 59.31 45.8972 x 65 0.82 45.8972 x 70 0.5043 + 0.8972 x 55 ^ Y 58.82 63.5043 + 0.5043 + 0.5043 + 0.31 58.8972 x 55 0.8972 x 50 0.8972 x 65 0.5043 + 0.36 59.5043 + 0.85 58.

25 .75 Nilai statistik .00 Nilai IQ .50 .00 .00 0.00 .75 1.50 .MODEL GARIS REGRESSI 1.25 0.

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

 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.

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

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

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

322055 .331 Standard error of the estimate = 5.HASIL ANALISIS KORELASI Hasil perhitungan dengan teknik komputerisasi adalah sebagai berikut : R (Korelasi) = r R Square (Pengaruh)= r2 = 0.626 = 0.392 Adjusted R Square (Perkiraan) = 0.

282303 SE B 0.170 Sig.880117 T 40.909450 771.0000 0.471941 Beta 0.276 2.Terminologi Hasil Print Out Analisis Regressi Hasil Print Out Analisis Regressi ------------------Variabel in Equation-------------------------Variabel SALBEG (Constant) B 1.0305 -----------------------------------------------------------------------Kofisien → [ B ] Ialah intercept “a” (constan) dan slope “b” (salbeg) dari hasil analisis regressi. .T 0.047410 955.

Terminologi Hasil Print Out Analisis Regressi Koefisien Regressi Terstandarisasi. → [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 .

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. atau “slope dari regressi populasi (β1) = 0 Rumus yang digunakan : β1 t = ---------- S β1 .

Uji statistik yang digunakan untuk menguji bahwa intercept (β0) = 0 ialah : β0 t = ---------- Sβ 0 . dengan derajat kebebasan N – 2 .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.

Normality. Equality variance. Independency.Generalisasi Sampel Terhadap Populasi Untuk melakukan generalisasi hasil sampel terhadap parameter populasi. 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.

. 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 Indenpendency secara statistik maka variabel Y harus independen antara satu dengan lainnya.

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

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

Goodness Of Fit • Print Out Hasil analisis -------------------------------------------------------------Multiple R 0.14226 -------------------------------------------------------------- .77461 Adjusted R Square 0.77413 Standar error 3246.88012 R Square 0.

REGRESSI LINIER BERGANDA LOGISTIK .

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

p) Dengen demikian rumus umum dari regressi berganda logistik adalah : p Ln ( -------.) = a + b1x1 + b2x2 + ………… bn xn 1.p .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.

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

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

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.

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

HASIL UJI REGRESSI LINIER BERGANDA LOGISTIK .

0 . . If weight is in effect.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. see classification table for the total number of cases.0 100.0 100.0 .0 a.

b.847 Coefficients Constant . Constant is included in the model.001.c Iteration History Iteration Step 1 0 2 -2 Log likelihood 240.092 .092 a. Estimation terminated at iteration number 2 because parameter estimates changed by less than .847 c.Block 0: Beginning Block a. Initial -2 Log Likelihood: 240. .847 240.b.

00 a.00 0 83 0 91 Percentage Correct . b. The cut value is .500 .0 52.Classification Tablea.0 100.00 1.00 1. Constant is included in the model.3 Observed Step 0 MAMPUY Overall Percentage .b Predicted MAMPUY .

.Variables in the Equation Step 0 Constant B .000 .544 Exp(B) 1.026 91. Residual Chi-Squares are not computed because of redundancies. .000 .581 93. .030 110.000 .768 83.152 Wald .000 .877 df 1 1 1 1 1 1 1 Sig.000 .368 df 1 Sig. .092 S.141 101.000 .000 a.096 a Variables not in the Equation Step 0 Variables KREDIBY KREDIY MANFAY CONTEY CLARIY KONTINUY CHANELY Score 74.E.768 74.

522 153.586 149.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 127.110 127.000 .000 .000 .000 .110 127.219 153.061 .000 .696 149.219 df 1 1 1 1 2 2 1 3 3 Sig.696 3.000 .110 22.000 .000 Step 2 Step 3 . .

692 .Model Summary Step 1 2 3 -2 Log likelihood 113.629 Cox & Snell R Square .770 .585 Nagelkerke R Square .518 .781 .577 .737 91.151 87.

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

087 .071 . .935 2.710 .213 .915 3.935 .256 .000 .048 . .000 .738 9.071 .087 .000 .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 12.551 3.000 .081 33.738 12.213 a.256 3. Residual Chi-Squares are not com puted because of redundancies.002 .478 1.272 22.000 .138 1.513 19.553 df 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Sig.278 2.489 .

Terima kasih “ Wassalamu Alaikum Wr Wb “ .

707747   .3.70  /:890/#$6:.44/3088 19 W !739 :9.8.88 :950#   #$6:.3/.70  $9.

##$$# # $% .

9:7.7:/.39..5././ 8:808 /. .74//8 //8 803/7.4.79203.9:  50789./.3574-.7. 5 /97.-.2-039: 44//8 44//8 49 . :39:907.88:.8.3/.##$$## $%  && 5..381472.574-../ ..7.9/5..-9. :39:9/.850789. - -   -3 3 4/090780-:9-.84..907.5.-9.

/ /80-:9 5 2.-07:9 5 44//8 5   5 0303/02.-.:39:907.37:2:8:2:2/.  5 03..3 44//8 :39: 5 .489./..-9.3/02.:39:9/.574-.3803/73.-9../.907././. 5 3  .5..3/.88:..9:50789.8 8:.574-. - -   5 -3 3 . 80-.7707088 -07./03.9:50789.

 -307 -3.3./03.-03/05     .7:3.7.-07085438 /0503/03  .9.7./.0907.-0570/947 .7.3-078.7 ..8:39:907. ./3. 4389..3/.-0570/947.9 503.-9..3/03.3.8.39. 3907..50789. 5 574-.:/0503/03 .058 - - 401803470.3-07/897-:83472..7 /.8.7..3 .3 8450 401803470.

7  .!#$#$##$$ .7  . 3907.059 $450 '. - '.

80.3           . .7...$%%## .

80./...3.7..9907.80.3          .3. ./.7.7..# ## # $.23..  ...

-0/0503/033..7.-07:9 #5 -  /03.3 .-0570/947  . .../.3.7.7.9:7.84 //8.078/.-0570/947 3/0503/03  5 543038.25:20342../#.5.74.84 4//880-. 3 .3 0907..3.9.08920.3 # #.078401803707088 - 203.:3.792.: 3/0503/03 907.9. - 401803707088.

.3202-07.5 03..:.3275/03.809. %$$& 401803 .7.-03/0503/03-.. .3-079.7../.4397-:8.85.79 37.844//8/./03..37.9/.:.3-079.3.844//8.  503.7 077473.503. .-090780-:9 8090.8.  5  .9../ .8070041 700/42 /.:9/..33..7.3. . ..9.7  /-.8.7.-0..389.9/.2:9.3/.7.7../43974/03../.: 0 ..3.844//83.79.7707088307-07..7.7.7.3381.-0.//.73.30/.7.793.. /2.844//8 793. 3.2:3 /83-07./7..5... # 08.809.3.370708-.224/0  75/03.3  2.-03/0503/03 -07.. .3470.2-.9.3:39.8:.-03/0503/032.790 /.2-.3/.93.33..

$&##$$# # $% .

/0903& 7.00$ 808.949097410-.011038901  . ./09.0083& .47!08.3 .94% 808.9349.22:$3880../09.    930..388 88.70! 808.94% 808.     .008 9.188..1470-2:3 . 808.33/0/:.

9880-/03.  /4404 .0-70-2:3349./09.7.7099.  3.709 4.709  .809.32709349.   93.93  0/42093/0/:..3893. .298070902.298 . 7498349.5 08:.. 03334.9834 8930. .1104     /440 4   509$ 349.9834  ..

930. ./07! -.188.9834 .70..    9.70! 0.    &! /09.9:.  80:.70!..3893.%349.  &! 509$ /0.0774 0.0% 0/42093/0/:.930.708- 0-.

807.94307.        1/  &%  # %   # # $                074.3.7. 80.:/80#  .0-/09:524.9834 509$ 349.' ..   $   93.7.    5  $  1/  /.' 509$ 349.' .:609394380-.7.$ 80-.:609380-.:6$ ./3:/071408:.

4 509$ 0/4 .4 509$ 0/4 .11040/4148980%8:-32 4.094/47.7/$90580 044/#.509$  $          1/                   07.:68  0/4 .94 .4 509$ 509$ 509$ 8930.

    07.22:$0/4 .   07.:6$# 0700.:6$# 03$ 4       /440 4    509$ 7.

509$          5 $          /.$ 9 349.                    1/                            93.7.'  . &% 509834/070930 8 0-.'  #509834/070930 8 0-.:609380-. 509834/070930 8 0-.9834  # 93.7.7.9834  &%  #  .' .7.      $          93.9834 #  50-$ 9  50.'  .

0774 .9834 # 93.                      &%  # 93.9834  509$  # 93.9834 79.9834  509$  509$ &%       #     93.349.

 0914 $  # 509$ # 509$ 0-.7.420#270%10/4 .        1/             /440 4 303.' /0.              /440 40/4  &%  # 509$ 03.

$ %   # # &%  %   # #  &%  %   # # 80-. 80-.' .3.'  509$           $                1/                             074.807.7.'  509$ 80-..:/80#  .7.7./3:/071408:. 80.'  509$ 349.:6$ .7.94307.:609394380-.0-/09:524. .

%072.8 .88.:27-  .2:...