Anda di halaman 1dari 14

BAB III

PEMBAHASAN

3.1. Deskripsi Data


Sampel yang diambil dalam penelitian ini adalah penderita tifus mulai Januari 2010 sampai
Agustus 2010, dengan klasifikasi variabel :

Dependen/Respon : lama rawat inap


Independen/ Predictor : jenis kelamin, umur, cepat pengiriman pasien, widal O, widal H, nilai
SGOT, dan nilai SGPT

3.1.1. Deskripsi Respon


Untuk variabel respon :

Output di atas menunjukkan data yang dipakai untuk analisa berjumlah 46 data, serta
ditunjukkan pula nilai minimum, maximum, quantil, mean (rata-rata) dan standar deviasi.

3.1.2. Deskripsi predictor


Deskripsi untuk predictor yang bertipe numeric :

Output di atas menunjukkan data yang dipakai untuk analisa berjumlah 46 data, , serta
ditunjukkan pula nilai minimum, maximum, quantil, mean (rata-rata) dan standar deviasi.

3.1.3. Dummy Variable


Karena variabel jenis kelamin, widal O dan widal H merupakan variabel yang bertipe
kategorik atau kualitatif, maka agar mudah dianalisa menggunakan paket program, maka perlu
dikuantitatifkan dengan menggunakan dummy variable.
Variabel Kualitatif

Dummy Variabel

JK

D 1=laki-laki

Widal O

0 = perempuan
D 1=positif

Widal H

0 = negatif
D 1=positif
0 = negatif

3.2. Korelasi dan Linearitas

Yang pertama dilakukan adalah uji asumsi linearitas antar variabel predictor yang bertipe
kuantitatif (umur, cepat pengiriman, SGOT, dan SGPT) dengan variabel respon (lama rawat
inap). Secara umum uji linearitas bertujuan untuk mengetahui apakah dua variabel mempunyai
hubungan yang linear secara signifikan atau tidak.

Lama rawat Vs umur

R.I

I.

20

30

40

50

60

umur

Lama rawat Vs cepat pengiriman

R.I

II.

5
C.P

III.

Lama rawat Vs nilai SGOT

IV.

Plot lama rawat Vs nilai SGPT

Dari keempat hasil uji di atas, tidak terlalu terlihat ada hubungan linear antara predictor
dengan variabel respon. Untuk memperjelas, akan dilakukan uji korelasi bivariat antara respon
dengan masing-masing prediktor.

Uji Hipotesis
Uji hipotesis menggunakan asumsi-asumsi :

H0: tidak ada hubungan linear antar respon dan predictor


H1: ada hubungan linear antar respon dan predictor
Alpha=0.05
Statistik uji = p-value
Daerah kritis :
H0 ditolak jika p-value <

Prediktor
Umur
Cepat pengiriman
SGOT
SGPT

P-value
0.733
0.000465
0.2133
0.00299

Kesimpulan
Tidak ada hubungan linear
ada hubungan linear
ada hubungan linear
Tidak ada hubungan linear

Untuk variabel independen yg kategorik menggunakan uji independent sample t-test dan didapat
p-value sebesar :

Lama rawat Vs jenis kelamin

Lama rawat Vs widal H

Lama rawat Vs widal O

Prediktor
Jenis kelamin
Widal O
Widal H

P-value
0.3908
0.01893
0.00140

Kesimpulan
Tidak ada hubungan linear
ada hubungan linear
ada hubungan linear

Karena dari keempat variabel independen kuantitatif atau predictor yg akan digunakan, 2 di
antaranya memiliki hubungan linear dgn responnya. Untuk itu, analisis regresi linear ganda dapat

digunakan tetapi variabel umur tidak dimasukkan dalam analisis karena memiliki p-value yang
cukup besar (> 0.25), demikian pula untuk variabel independen kualitatif, 2 di antaranya
memiliki hubungan linear dgn responnya, maka dapat diikutkan dalam analisis, tapi tidak
demikian untuk variabel jenis kelamin, karena memiliki p-value yang lebih dari 0.25.

3.3. Regresi Linear Ganda

3.3.1. Inferensi Regresi Linear Ganda


Pada penelitian ini digunakan analisis regresi linear ganda dengan metode enter, yaitu
memasukkan semua prediktor, kemudian dilihat nilai signifikansi prediktor-prediktornya, dan
selanjutnya mengeluarkan satu persatu predictor yang tidak signifikan (menggunakan = 0.05),
dimulai dari variabel yang paling tidak signifikan (nilai p-value terbesar) sampai diperoleh
seluruh variabelnya signifikan berpengaruh dalam model.

Uji Hipotesis
Uji hipotesis menggunakan asumsi-asumsi :

H0: model regresi tidak layak digunakan


H1: model regresi layak digunakan

Tingkat signifikansi : = 0.05


Statistik uji = p-value
Daerah kritis :
H0 ditolak jika p-value <

Tabel diatas menginformasikan bahwa persamaan regresi yang diperoleh (Model 1) adalah :
Y^ = 0.438 + 0.445 (C.P) + 0.035 (SGOT) 0.008 (SGPT) + 1.029 (widal_H) + 0.867
(widal_O)
Prediktor
Constant
C.P (Cepat Pengiriman)
SGOT
SGPT
Widal_H
Widal_O

Sig
0.580
0.000
0.028
0.713
0.029
0.054

Kesimpulan
Constant tidak signifikan masuk ke dalam model
Variabel ini signifikan masuk ke dalam model
Variabel ini signifikan masuk ke dalam model
Variabel ini tidak signifikan masuk ke dalam model
Variabel ini signifikan masuk ke dalam model
Variabel ini tidak signifikan masuk ke dalam model

Berdasarkan uji signifikansi di atas, nilai sig SGPT paling tidak signifikan jadi harus dikeluarkan
terlebih dahulu.
Diregresi ulang dengan mengeluarkan variabel SGPT. Output yang dihasilkan :

Hasil output di atas menginformasikan persamaan regresi yang diperoleh (Model 2) yaitu :
Y^ = 0.31 + 0.435 (C.P) + 0.031 (SGOT) + 1.098 (widal_H) + 0.870 (widal_O)
Prediktor
Constant
C.P (cepat pengiriman)
SGOT
Widal_H
Widal_O

Sig
0.659
0.000
0.009
0.010
0.050

Kesimpulan
Constant tidak signifikan masuk ke dalam model
Variabel ini signifikan masuk ke dalam model
Variabel ini masih signifikan masuk ke dalam model
Variabel ini signifikan masuk ke dalam model
Variabel ini signifikan masuk ke dalam model

Berdasarkan uji signifikansi di atas, nilai signifikansi constant tidak signifikan, jadi dikeluarkan
dari analisa
Diregresi ulang dengan mengeluarkan constant
Output yang dihasilkan :

Hasil output di atas menginformasikan persamaan regresi yang diperoleh (Model 3) yaitu :
Y^ = 0.466 (C.P) + 0.034 (SGOT) + 1.127
Prediktor
C.P (cepat pengiriman)
SGOT
Widal.H
Widal.O

Sig
0.000
0.002
0.007
0.03

(widal_H) + 0.922 (widal_O)

Kesimpulan
Variabel ini signifikan masuk ke dalam model
Variabel ini signifikan masuk ke dalam model
Variabel ini signifikan masuk ke dalam model
Variabel ini signifikan masuk ke dalam model

Berdasarkan uji signifikansi di atas, nilai signifikansi sudah memenuhi untuk semua variabel,
sehingga tidak perlu dilakukan analisa regresi lanjutan

3.4. Kriteria pemilihan Model


Untuk menentukan model yang terbaik, ada beberapa kriteria yang harus dipenuhi untuk
membandingkan model-model yang ada, seperti nilai adjusted R2, SE, CP Mallows, AIC, dan
SBC. Namun karena penulis menggunakan metode Enter, maka kriteria yang digunakan adalah
R2, adjusted R2 dan PRESS

Model 1
Model 2
Model 3

R2
0.5414
0.5398
0.943

Adj R2
0.4841
0.4949
0.9376

PRESS
91.8933
89.0208
85.1308

Tabel. Perbandingan Kriteria Model Terbaik


*nilai PRESS diperoleh dengan perhitungan menggunakan software MINITAB
Model terbaik adalah model yang nilai R2 dan Adjusted R2 yang besar dan nilai PRESS terkecil.
Dari hasil uji pada tabel di atas, diperoleh model terbaik yaitu model 3 :
Y^ = 0.466 (cepat_pengiriman) + 0.034 (SGOT) + 1.127

(widalH1) + 0.922 (widalO1)

3.5. Analisis Residual


Beberapa asumsi yang berhubungan dengan residual :

1. Asumsi Normalitas Residual (tes of normality)


Untuk uji normalitas, Akan dilakukan uji normalitas Shapiro wilk (data < 50)

Uji Hipotesis
Uji hipotesis menggunakan asumsi-asumsi :

H0: residual berdistribusi normal


H1: residual tidak berdistribusi normal
Tingkat signifikansi : = 0.05
Statistik uji = p-value
Daerah kritis :
H0 ditolak jika p-value <

Karena nilai p-value pada output r = 0.5201 > 0.05, maka terima H0, yang berarti residual
berdistribusi normal

2. Homoskedastisitas (scatterplot)

Uji Homoskedastisitas menggunakan uji Breusch-Pagan


Uji Hipotesis
Uji hipotesis menggunakan asumsi-asumsi :

H0: model regresi tidak mengandung heteroskedastisitas


H1: model regresi mengandung heteroskedastisitas
Tingkat signifikansi : = 0.05
Statistik uji = p-value
Daerah kritis :
H0 ditolak jika p-value <
Dilihat dari nilai output R, terlihat bahwa p-value > untuk semua variabel prediktor yang

artinya terima H0 sehingga disimpulkan model regresi tidak mengandung adanya


heteroskedastisitas.

3. No-multikolinearitas (coefficient)
Untuk menguji asumsi no multikolinearitas, dengan melihat nilai VIF (Variance Inflation
Factor) dari persamaan regresi.

Karena semua nilai VIF < 10, maka asumsi no multikolinearitas terpenuhi.

4. Independensi (no-autokorelasi) (Model Summary)


Akan dilakukan uji Durbin-Watsom
Uji Hipotesis
Uji hipotesis menggunakan asumsi-asumsi :

H0: tidak ada autokorelasi (+) maupun (-)


H1: ada autokorelasi (+) maupun (-)
Tingkat signifikansi : = 0.05
Statistik uji = p-value
Daerah kritis :
H0 ditolak jika du D 4-DU
H0 tidak ditolak jika du D 4-DU

Interpretasi tabel spss :

Dari tabel Durbin-Watson diketahui nilai du = 1.383; dl = 1.666


Statistik uji : D = 2.1688
Karena du D 4-DU ( 1.383 < 2.1688 < 2.617) maka H0 tidak ditolak. Jadi, tidak ada
autokorelasi (+) maupun (-).
Asumsi independensi (no-autokorelasi terpenuhi).

3.6. jwwefb
3.7. kdnjedfd
3.8. knfekfnnf