MODUL PRAKTIKUM STATA

BIOSTATISTIK II – S014

dr. I Ketut Tangking Widarsa, MPH.

Ni Made Dian Kurniasari, SKM.,MPH.
Ketut Hari Mulyawan, S.Kom.,MPH

Program Studi Kesehatan Masyarakat

Fakultas Kedokteran Universita Udayana
Denpasar, 2017

Modul STATA Page 1

Modul 1
Uji Normalitas dan Uji Beda Mean (Compare Means)

1.1 Pendahuluan
Prosedure Compare Means dipakai untuk menganalisis perbedaan rerata satu sampel,
dua sampel berpasangan, dua sampel bebas, dan menganalisis perebdaan rerata
lebih dari dua sampel bebas. Pada modul ini akan dibahas indikasi, persyaratan,
langkah menjalanan prosedure compare mean dan cara interpretasi hasilnya.

Tujuan
Mahasiswadiharapkan dapat menggunakan STATA sebagai alat bantu analisis
perbedaan rerata pada berbagai penelitian kesehatan dan dapat memberikan
interpretasi berbagai output analisis compare mean.

Pokok Bahasan
Pada modul ini akan dibahas prosedure:
• One Sample T Test
• Paired Sampels T Test
• Independent Samples t Test

1.2 One Sample T Test

1.2.1 Indikasi
One Sample T Test dipakai apabila akan menguji hipotesis perbedaan rerata satu
sampel dengan nilai test tertentu (nilai baku). Misalnya akan menguji apakah rerata
tekanan intraoculer (mmHg) dari orang tua berbeda dengan 14 mmHg? Tekanan intra
okuler sebesar 14 mmHg sebagai nilai test (test value).

1.2.2 Persyaratan
One Sample T Test adalah bagian dari uji parametrik yang memiliki asumsi data
bedistribusi normal.

1.2.3 Hipotesis:
Ho. µ = 14 (rerata tidak berbeda dengan 14)
Ha. µ ≠ 14 (rerata berbeda dengan 14)

1.2.4 Uji Statistik

Uji statistik yang dipakai adalah One Sample T Test dengan rumusa sbb:

Modul STATA Page 2

 x − test.value
t=
sd / n

1.2.5 CI perbedaan
Nilai interval kepercayaan dihitung dengan rumus sbb;

CI (1-α) = beda ± tα x sd/√n

1.2.6 Cara membuat kesimpulan

Ho diterima:
bila nilai p > α, berarti tidak terdapat perbedaan rerata populasi dengan nilai
test.
Ho ditolak:
bila nilai p ≤ α, berarti terdapat perbedaan antara populasi dengan nilai test

Contoh Kasus
Untuk menguji hipotesis tersebut, sebanyak 21 sampel diukur tekanan intraocularnya
dan hasilnya adalah sbb:
14,5 12,9 14,0 16,1 12,0 17,5 14,1 12,9 17,9 12,0
16,4 24,2 12,2 14,4 17,0 10,0 18,5 20,8 16,2 14,9
19,6
Apakah dari data sampel ini dapat disimpulkan bahwa tekanan intraocular orang tua
lebih dari 14 mmHg? Cara analisisnya adalah sbb.

1.2.7 Prosedur One sample T-Test dengan STATA

1) Rekam data di atas
Langkah mereka data:
• Aktifkan STATA dengan double klik ikon STATA
• Buat struktur Data
Lakukan langkah-langkah membuat struktur data, sehingga akan tampak
sbb:

• Rekam data

Modul STATA Page 3

 Lakukan langkah rekam data, rekam sebanyak observasi (n =21). contoh
sbb:

2) Uji Normalitas Data dengan uji Shapiro-Wilk

Terdapat dua uji normalitas yang dipakai, yaitu uji Kolmogorov-Smirnov dan
Shapiro-Wilk. Uji Kolmogorov-Smirnov dipakai bila jumlah sampel besar (n>30),
sedangan uji Shapiro-Wilk dipakai bila sampel kecil (n<30). Yang akan dipakai
pada kasus ini adalah uji normalitas dengan uji Shapiro-Wilk
• Ketik syntax pada jendela command : swilk TIO
Seperti pada contoh sbb:

Lalu tekan enter maka akan tampil Output sbb:

. swilk TIO

Shapiro-Wilk W test for normal data

Variable Obs W V z Prob>z

TIO 21 0.96294 0.908 -0.195 0.57728

• Interpretasi Output
Untuk data Tekanan Intraoculer, uji normalitas yang dipakai adalah uji
Shapiro-Wilk dan data dinyatakan berdistribusi normal karena nilai Prob (p)
> 0,05. Oleh karena itu, perbedaan rerata tekanan intraocular dengan 14
dapat diuji dengan uji t (uji parametrik).

Modul STATA Page 4

 3) Uji perbedaan mean satu sampel
Dalam kasus ini, sebagai nilai test (test value) adalah 14 dan langkah
analisisnya adalah sbb:
• Ketik syntax pada jendela command: ttest TIO == 14
Lalu tekan enter, maka akan tampil output sbb:
. ttest TIO==14

One-sample t test

Variable Obs Mean Std. Err. Std. Dev. [95% Conf. Interval]

TIO 21 15.62381 .7382058 3.382884 14.08394 17.16368

mean = mean(TIO) t= 2.1997

Ho: mean = 14 degrees of freedom = 20

Ha: mean < 14 Ha: mean != 14 Ha: mean > 14

Pr(T < t) = 0.9801 Pr(|T| > |t|) = 0.0398 Pr(T > t) = 0.0199

Penentuan tingkat kepercayaan

tingkat kepercayaan yang dipakai adalah 95% dan by default STATA
menggunakan 95% confidence interval.

1.2.8 Interpretasi
Ho diterima bila nilai p > 0,05 dan sebaliknya Ho ditolak bila nilai p ≤ 0,05. Nilai p pada
hasil diatas adalah 0.0398, sesuai dengan Ha dua sisi yaitu Ha= µ≠14
Berdasarkan hasil analisis dapat disimpulkan bahwa Ho ditolak, berartinya rerata
tekanan intraoculer 15,62 ± 3,38 mmHg berbeda dengan 14 mmHg. Sehingga dapat
disimpulkan bahwa rerata tekanan intraoculer orang tua lebih tinggi dari 14 mmHg.
95% CI yaitu 14.08 – 17.16.

1.3 Paired Samples T Test

1.3.1 Indikasi
Paired Samples T Test dipakai untuk menganalisis pebedaan rerata dua sampel
berpasangan. Misalnya akan diteliti efek intervensi ergonomi terhadap produktivitas
karyawan pabrik sepatu dengan rancangan pre-post.

1.3.2 Persyaratan
Paired Samples T Test adalah bagian dari uji parametrik yang memiliki asumsi data
bedistribusi normal.

1.3.3 Hipotesis:
Untuk 2 sisi

Modul STATA Page 5

 Ho. µd = 0 (tidak berbeda antar pasangan)
Ha. µd ≠0 (berbeda antar pasangan)

Untuk 1 sisi
Ho. µd ≤ 0 atau Ho. µd ≥ 0
Ha. µd > 0 atau Ho. µd < 0

1.3.4 Uji Statistik

Perbedaan rereta dua sampel berpasangan diuji dengan dependent samples T Test
dengan rumus sbb:
d
t=
sd / n
Dimana:
d = rerata beda pasangan
n = jumlah sampel pasangan

1.3.5 CI perbedaan
Nilai interval kepercayaan beda rerata pasangan dapat dihitung dengan rumus sbb:

CI(1-α) = d ± t x sd/√n
α

Dimana:
d = rerata beda pasangan
n = jumlah sampel pasangan
t = nilai t tabel untuk α tertentu
α

1.3.6 Cara membuat kesimpulan

Kesimpulan dapat dibuat dengan membandingkan nilai p dengan tingkat kemaknaan
α. Ho diterima bila nilai p > α dan sebaliknya, Ho ditolak bila nilai p ≤ α. Cara
pengambilan kesimpulan juga dapat dibuat berdasarkan nilai interval kepercayaan (CI)
dari nilai pebedaan rerata. Ho diterima bila angka nol berada di dalam CI dan
sebaliknya Ho ditolak bila angka nol di luar CI.

Contoh Kasus:
Akan diteliti efek intervensi ergonomi terhadap produktivitas karyawan pabrik sepatu.
Rancangan penelitian yang dipakai adalah rancangan sama subyek. Sebanyak 10
pekerja pembuat sepatu dijadikan sebagai subyek penelitian. Produktivitas diukur dari
hasil kerja selama 5 hari kerja dengan kondisi kerja lama dan dengan kondisi kerja
yang ergonomis (suhu, statasiun kerja, sikap kerja dan manajemen kerja yang
ergonomik). Data hasil pengukuran produktivitas adalah sbb:

Subyek Produktivitas Sebelum Produktivitas Setelah

Perlakuan Perlakuan
(Pretest) (Posttest)
1 .308 .33

Modul STATA Page 6

 2 .169 .30
3 .201 .29
4 .215 .35
5 .225 .33
6 .218 .33
7 .326 .53
8 .252 .40
9 .345 .36
10 .227 .35

Apakah berdasarkan data tersebut dapat disimpulkan bahwa intervensi

ergonomi dapat meningkatkan produktivitas pekerja sepatu? Tingkat
kepercayaan 99%. Cara analisisnya adalah sbb.

1.3.7 Prosedur Paired Samples T Test

1) Buat Struktur dan Rekam Data
Lakukan langkah-langkah membuat struktur data dan rekam data sejumlah
observasi pada masing-masing variabel yaitu sebelum dan sesudah, contoh
sbb:

2) Uji Normalitas Data

Data Pretest dan Posttest diuji normalitasnya dengan langkah berikut:
Ketik syntax pada jendela command dengan format swilk variable_pre
variable_pro
Contoh pada kasus ini : swilk pretest posttest
Lalu tekan enter sehingga muncul output sbb:

Dari hasil diperoleh bahwa nilai p > 0.05 pada kedua kelompok, sehingga dapat
disimpulkan bahwa data berdistribusi normal. Sehingga dapat digunakan uji
paired-t test pada kasus tersebut.

Modul STATA Page 7

 3) Uji Beda Mean
Langkah pertama adalah dengan menentukan tingkat kepercayaan yang
dipakai yaitu 99%.
Ketik syntax pada command yaitu : set level 99
Lalu enter,
Kemudian ketik syntax pada command dengan format yaitu : ttest var_pre
var_post
Contoh pada kasus ini : ttest pretest = posttest
Lalu enter, maka akan muncul output sebagai berikut :

1.3.8 Interpretasi
Hipotesis:
Ho. µd ≥ 0 (intervensi ergonomi tidak meningkatkan produktivitas)
Ha. µd < 0 (intervensi ergonomi meningkatkan produktivitas)
Catatan : Hipotesis harus disesuaikan dengan perhitungan beda, pada kasus ini beda
diperoleh dari mean pre dikurangi mean post, maka hipotesis adalah seperti
diatas.
Bila beda diperoleh dari mean post dikurangi mean pre maka hipotesisnya
akan berbeda, kebalikan dari hipotesis diatas.

Kesimpulan
Ho diterima bila nilai p > α
Ho ditolak bila nilai p ≤ α
Berdasarkan hasil analisis didapatkan bahwa p = 0,0002 (p < 0.05) pada Ha µd
> 0 berarti Ho ditolak.

Dari hasil analisis dapat disimpulkan bahwa intervensi ergonomi dapat

meningkatkan produktivitas pekerja sepatu.

Modul STATA Page 8

1.4 Independent Samples T-Test
1.4.1 Indikasi
Independent Samples T-Test dipakai untuk menguji perbedaan rerata dua sampel
bebas (independent samples). Sebagai contoh, akan diuji efek ekstrak seredelai
terhadap serum feritin tikus. Sebanyak 20 tikus dijadikan binatang percobaan,
separunya diberi ekstrak seredelai dan seperuhnya diberikan aqua (kontrol).

1.4.2 Persyaratan
Independent Samples T Test adalah bagian dari uji parametrik yang memiliki asumsi
data bedistribusi normal dan kedua kelompok memiliki varian yang sama (homogen).

1.4.3 Hipotesis:
Ho. µ1 = µ2 (tidak terdapat perbedaan serum Fe antara perlakuan dengan
kontrol)
Ha. µ1 # µ2 (terdapat perbedaan rerata serum Fe antara perlakuan dengan
kontrol)

1.4.4 Uji Statistik Homogenitas Varian

Homogenitas varian kedua kelompok diuji dengan Levene’s Test dengan
menggunakan statistik F sbb:

F =SD12/SD22
Kedua sampel dinyatakan memiliki varian homogen bila uji Leven menunjukan nilai p >
α dan sebaliknya dinyatakan tidak homogen bila nilai p ≤ α.

1.4.5 Uji Statistik Perbedaan Rerata

Uji statitik yang dipakai menguji kebenaran hipotesis nol perbedaan rerata dua sampel
bebas adalah Independent Samples T Test. Cara penghitungan nilai Uji T pada
Independent Samples T Test dibedakan antara kedua sampel homogen dan kedua
sampel tidak homogen.

Cara penghitungan nilai statistik T untuk dua sampel homogen

x1 − x 2 Keterangan:
t=
2 2 SDp = SD gabungan
SD p SD p SD 1 = standar deviasi sampel 1
+
n1 n2 SD 2 = standar deviasi sampel 2
n1 = jumlah sampel 1
n2 = jumlah sampel 2
SDp2 = {(n1-1)SD12 + (n2-1)SD22}/(n1+n2-2)

Modul STATA Page 9

Cara penghitungan nilai statistik T untuk dua sampel tidak homogen

x1 − x 2
t=
2 2
SD1 SD2
+
n1 n2

1.4.6 CI perbedaan
Nilai interval kepercayaan beda rerata pasangan dapat dihitung dengan rumus sbb:

( )
CI(1-α) = x 1 − x 2 ± t x seα

Dimana:
(x 1 )
− x 2 = beda rerata
se = standar error beda rerata
t = nilai t tabel untuk α tertentu
α

1.4.7 Cara membuat kesimpulan

Ho diterima bila nilai p > α atau nilai nol terletak di dalam CI perbedaan rerata,
sebaliknya Ho ditolak bila nilai p ≤ α atau nilai nol terletak di luar CI perbedaan
rerata kedua kelompok.

Contoh Kasus:
Sebagai contoh, akan diuji efek ekstrak seredelai terhadap serum feritin tikus.
Sebanyak 20 tikus dijadikan binatang percobaan, separuhnya diberi ekstrak
seredelai dan seperuhnya diberikan aqua (kontrol). Alokasi sampel tikus ke
masing-masing perlakuan dilakuka secara random. Data hasil pengukuran
adalah sbb.
Data serum Fe kelompok kontrol dan eksperimen
Kontrol Ekstrak Seredelai
30.662 54.604
25.037 52.914
25.473 96.993
34.121 47.178
37.447 36.391
25.167 26.395
39.186 48.681

Apakah dapat dibuktikan bahwa ekstrak seredelai dapat meningkatkan kadar

serum Fe tukus? Cara analisisnya adalah sbb.

Modul STATA Page 10

1.4.8 Prosedure Independent Samples T Test
1) Buat Struktur data Ada 2 variabel dalam kasus ini yaitu variabel kelompok
(kontrol = 1 dan seredele = 2) dan variabel serum feritin (serumFe). Rekam
data sejumlah observasi yang dilakukan pada kedua kelompok. Contoh struktur
data adalah

Anda dapat membuat label untuk kelompok dengan langkah yang sudah
diberikan pada pertemuan sebelumnya, misal 1 = kontrol dan 2 = seredele

Modul STATA Page 11

 2) Uji Normalitas
Ketik syntax pada command dengan format : bysort variabel_kelompok: swilk
variable_interest
Contoh pada kasus ini : bysort kelompok: swilk serumFe
Lalu enter, dan muncul output sebagai berikut:

Semua kelompok berdistribusi normal karena nilai p masing-masing > 0.05.

3) Uji Equality of Variance dengan Robust Variance test

STATA command format adalah robvar variable_interest, by variable_kelompok
Kasus ini : robvar serumFe, by (kelompok)
Lalu enter dan muncul output sebagai berikut:

Ho. S12 = S22 (kedua kelompok memiliki variance sama atau homogen)
Ha. S12 = S22 (kedua kelompok memiliki variance berbeda atau heterogen)

Kesimpulan:
Ho diterima bila nilai p > α (kedua kelompok homogen)
Ho ditolak bila nilai p ≤α (kedua kelompok heterogen)
Nilai Wo menunjukkan nilai F dari Levene test. P=0.179; p>0.05 maka variance
homogen.

Modul STATA Page 12

 4) Uji Beda Mean Independent sample t-test
Tingkat kepercayaan STATA by default adalah 95%.
Format command STATA untuk uji independent sample t-test :
Bila variance equal/homogen : ttest variable_interest, by (var_kelompok)
Bila variance unequal/tidak homogen maka : ttest variable_interest, by
(var_kelompok) unequal
Pada kasus ini ketik : ttest serumFe, by (kelompok)
Lalu enter sehingga muncul output berikut :

1.4.9 Interpretasi
Deskriptif:
Rerata serum Fe tikus pada kelompok seredele lebih besar dari rerata di
kelompok kontrol. Rerata serum Fe pada kelompok seredele 51.88±522.23,
sedangkan untuk kelompok kontrol adalah31.01±6.04.

Uji beda mean

Hipotesis perbedaan mean adalah sbb:
Ho. µ1 = µ2 (tidak berbeda)
Ha. µ1 # µ2 (berbeda)

Kesimpulan
Didapatkan beda mean = - 20.87 dengan CI 95% adalah -47.46 s/d 5.73 dan
nilai p= 0.0337 (p < 0,05). Ini berarti bahwa ada perbedaan rerata serumFe tikus
pada kedua kelompok yaitu yang diberikan seredele dan yang tidak diberikan
seredele.

Modul STATA Page 13

Modul 2
One-Way ANOVA

2.1 Pendahuluan
Prosedure One-Way ANOVA dipakai untuk menganalisis perbedaan rerata lebih dari
dua sampel bebas. Pada modul ini akan dibahas indikasi, persyaratan, langkah
menjalanan prosedure One-Way ANOVA dan cara interpretasi hasilnya.

Tujuan
Mahasiswadiharapkan dapat menggunakan STATA sebagai alat bantu analisis
perbedaan rerata pada berbagai penelitian kesehatan dan dapat memberikan
interpretasi berbagai output analisis One-Way ANOVA.

Pokok Bahasan
Pada modul ini akan dibahas prosedure:
• Indikasi
• Persyaratan
• Hipotesis
• Uji One-Way ANOVA
• Uji Post Hoc

2.2 Indikasi
Uji One-way Anova dipakai menganalisis perbedaan rerata lebih dari dua kelompok
sampel bebas. Sebagai contoh, akan menganalisis efek ekstrak seredelai terhadap
serum Fe. Penelitian eksperimen dengan rancangan acak lengkap dimana terdapat
tiga kelompok percobaan, yaitu kelompok kontrol, ekstrak seredelai dosis 50% dan
seredelai dosis 75%. Untuk menganalisis perbedaan efek dilakukan dengan
membadingkan rerata serum Fe antara ke tiga kelompok. Analisis perbedaan rerata
serum Fe dari ketiga kelompok dilakukan dengan uji One-way Anova.

2.3 Persyaratan
Uji One-way ANOVA adalah bagian dari uji parametrik yang memiliki asumsi data
bedistribusi normal dan antar kelompok memiliki varian yang sama (homogen).

2.4 Hipotesis:
Ho. µ1 = µ2 = µ3 (tidak terdapat perbedaan serum Fe antara perlakuan
dengan kontrol)
Ha. Paling sedikt terdapat dua kelompok yang memiliki rerata serum Fe
berbeda

Modul STATA Page 14

2.5 Uji Statistik
Uji statistik pada analisis variance menggunakan uji Variance Ratio atau uji F dengan
rumus statistik sbb:
Varian antar kelompok
F = -------------------------------------
Varian dalam kelompok

Varian antar kelompok:

Varian kelompok menggambarkan variasi antar kelompok.
Varian antar kelompok = jumlah kwadrat antar kelompok/db
Kalau y1. , y 2. , y 3. adalah rerata Y kelompok eksperimen 1, 2 dan 3 dan y
adalah grand mean, n1, n2, n3 adalah jumlah sampel di setiap kelompok dan k
adalah jumlah kelompok, maka:
k
Jumlah kwadrat antar kelompok = ∑n
1
k (y − y )k
2

Derajat bebas kelompok = k – 1, maka:

k
Varian antar kelompok = ∑n
1
k (y − y ) /(k − 1)
k
2

Varian dalam kelompok

Menggambarkan variasi individu di dalam kelompoknya terhadap rerata
kelompok.
Varian dalam kelompok = jumlah kwadrat dalam kelompok / db.

k n
2
Jumlah kwadrat dalam kelompok = ∑∑ (y
i j
i. j − y i. ) dimana i = 1 s/d k dan j

=1 s/d n
Derajat bebas dalam kelompok = n – k, maka:
k n
2
Varian dalam kelompok = ∑∑ (y
i j
i. j )
− y i. / (n − k )

Berdasarkan uraian di atas, maka resume perhitungan analisis varian pada One-Way
Anova dapat disajikan sebagai berikut.

Sumber Jumlah Kwadrat Derajat Varian Varian Ratio

Variasi (Sum Square) Bebas (Mean Square)
Between k
(k −1) MSG = SSG/(k-1) F=
groups SSG= ∑n
1
k (y − y )
k
2
MSG/MSE

Within SSE= (n − k ) MSE = SSE/(n-k)

Groups k n
2
(Error) ∑∑ (y
i j
i. j − y i. )

2.6 Cara membuat kesimpulan uji Anova

Kesimpulan dibuat berdasarkan nilai p dari statistik F.
Ho diterima bila nilai p > α, berarti tidak ada kelompok yang berbeda
Ho ditolak bila nilai p ≤ α, berarti ada kelompok yang berbeda

Modul STATA Page 15

2.7 Uji Post Hoc
Uji Post Hoc merupakan analisis lanjutan dari analisis variance bila Ho pada analisis
varian ditolak. Uji post hoc dipakai untuk menguji kelompok mana yang berbeda
dengan cara melakukan perbandingan terhadap semua kelompok (multiple
comparasion). Uji uji statistik untuk Post Hoc Test dikelompokan menjadi dua
kelompok, yaitu jenis uji Post Hoc bila semua kelompok memiliki variance yang sama
(homogen) dan bila vararian tidak homogen. Jenis uji Post Hoc untuk variance
homogen antara lain LSD, Scheffe, Duncan, dll dan untuk variance tidak homogen
adalah Thamhane, Dunnet, dll.
Bila terdapat 3 kelompok yang dibadingkan, maka akan terdapat 3 perbandingan antar
kelompok, yaitu:
1) Antara kelompok 1 vs kelompok 2 dengan Ho: µ1 = µ2
2) Antara kelompok 1 vs kelompok 3 dengan Ho: µ1 = µ3
3) Antara kelompok 2 vs kelompok 3 dengan Ho: µ2 = µ3
Dari perbadingan antar kelompok ini akan dapat diketahui kelompok mana yang
berbeda dengan kelompok yang mana.

2.8 LATIHAN
Contoh Kasus
Satu penelitian eksperimen laboratorium akan menganalisis efek pemberian ekstrak
seredelai terhadap serum Fe pada tikus. Penelitian eksperimen dengan rancangan
acak lengkap dimana terdapat tiga kelompok percobaan, yaitu: kelompok kontrol,
ekstrak seredelai dosis 50% dan seredelai dosis 75%. Untuk menganalisis perbedaan
efek dilakukan dengan membadingkan rerata serum Fe antara ke tiga kelompok. Data
hasil pengukuran serum Fe setelah percobaan pada ke tiga kelompok adalah sbb.
Data serum Fe kelompok kontrol dan eksperimen
Kontrol Ekstrak Seredelai Ekstrak Seredelai
dosis 50% Dosis 75%
30,662 35,765 54,604
25,037 28,169 52,914
25,473 35,211 96,993
34,121 51,042 47,178
37,447 29,635 36,391
25,167 42,010 26,395
39,186 43,512 48,681

Prosedur STATA
Membuat struktur data dan Merekam Data
Jumlah variabel pada kasus di atas adalah 2, yaitu variabel bebas Perlakuan (kategori:
1=kontrol 2=dosis 50% dan 3=dosis 75%) dan Serum Fe (numerik), maka struktur data
file menjadi sbb:

No. Name Type Width Decimal Label Value

Modul STATA Page 16

 1=kontrol
1 Dosis N 8 0 Dosis
2=dosis 50%
percobaan
3=dosis 75%
2 Serum_Fe N 8 3 Kadar serum
Fe

Contoh struktur data dan rekam data pada STATA

Analisis One-way ANOVA

1) Uji Normalitas Data
Stata command: bysort variabel_kelompok: swilk variable_bebas
Contoh ini yaitu bysort perlakuan: swilk serumFe

Kesimpulan semua kelompok berdistribusi normal karena nilai p masing-masing > 0.05
2) Uji Homogenitas Variance

Modul STATA Page 17

 STATA command format adalah robvar variable_bebas, by variable_kelompok
Kasus ini : robvar serumFe, by (perlakuan)
Lalu enter dan muncul output sebagai berikut:

Nilai Wo menunjukkan nilai F dari Levene test. P=0.219; p>0.05 maka variance
homogen.

3) Deskriptif statistik
Format STATA Command : bysort variabel_kelompok: sum var_bebas
Contoh pada kasus ini: bysort perlakuan: sum serumFe
Lalu enter maka akan muncul output sbb:

4) Uji One Way Anova

Format STATA Command: anova variabel_bebas variabel_kelompok
Contoh pada kasus ini: anova serumFe perlakuan

Modul STATA Page 18

 atau dengan command lainnya: oneway variabel_bebas variabel_kelompok
contoh ini : oneway serumFe perlakuan
Lalu enter sehingga muncul output sbb:

5) Uji Post Hoc

Uji Post Hoc dipakai menguji perbedaan rerata antara kelompok (multiple
comparisons). Uji Post Hoc dibedakan menjadi dua bagian, yaitu kelompok uji
Post Hoc untuk equal variance assumed dan uji Post Hoc untuk equal variance
not assumed.
Uji post hoc yang dipakai dalam kasus ini adalah Bonferroni. Uji ini dilakukan
bersamaan dengan melakukan uji anova, yaitu dengan menambahkan
command “bo” : oneway serumFe perlakuan, bo. Lalu enter maka akan muncul
output yang sama dengan sebelumnya namun ada tambahan output sbb:

Modul STATA Page 19

 6) Interpretasi

Statistik Deskriptif
Rerata serum Fe pada kontrol adalah 31,01 dosis 50% adalah 37,91 dan dosis
75% adalah 51,88.

Uji One-Way ANOVA

Nilai p = 0,037 maka Ho ditolak. Berati paling sedikit ada dua kelompok
berbeda.

Uji Post Hoc

Uji Post Hoc yang dibaca adalah Bonferroni, angka pada baris ke dua.
Kelompok 3 vs kelompok 1 nilai p = 0.038 (p<0.05) yang artinya ada
perbedaan.

Kesimpulan: rerata serum Fe tikus yang diberikan dosis 75% berbeda dengan
rerata serum Fe tikus yang tidak diberikan seredele (kontrol). Dosis 75%
terbukti mempunyai efek meningkatkan serum Fe tikus, sedangkan dosis 50%
tidak memberikan efek peningkatan serum Fe.

Modul STATA Page 20

MODUL 3
Analisis Perbedaan Risk

3.1 Pendahuluan
Pada penelitian kesehatan sering dipelajari hubungan antara dua variabel kategori
atau lebih, seperti misalnya terjadinya suatu penyakit dikaitkan dengan keberadaan
faktor risio tertentu. Sebagai contoh, misalnya akan diteliti apakah kebiasaan merokok
meningkatkan resiko terjadinya penyakit jantung koroner. Dua jenis ratio yang sering
dipakai untuk memperkirakan besarnya resiko, yaitu: relatif risk (RR) dan odd ratio
(OR). RR dan OR dikembagkan di bidang epidemiologi, tetapi sekarang
pengunaannya tidak hanya di bidang epidemiologi melainnya dibanyak penelitian
kesehatan. RR dan OR dipakai menentukan besarnya resiko pada penelitian
prospektif dan OR dipakai dalam penelitian retrospektif.

Uji Chi-square dipakai menguji hipotesis hubungan antara variabel kategorikal. Pada
modul ini akan dibahas uji hipotesis hubungan antara dua variabel kategori untuk
rancangan random dan rancangan berpasangan (matched design).

Tujuan
Mahasiswa diharapkan dapat menggunakan STATA sebagai alat bantu analisis
perbedaan risk pada berbagai penelitian kesehatan dan dapat memberikan interpretasi
berbagai output analisis korelasi.

Pokok Bahasan
Pada modul ini akan dibahas:
• Indikasi RR, OR, uji chi-square dan uji McNemar
• Hipotesis
• Kesimpulan
• Prosedur uji dengan STATA
• Interpretasi

3.2 Uji Perbedaan Risk pada Studi Cross-sectional dan Kohort

Relatif risk (RR) tepat dipakai sebagai ukuran resiko relatif antara kelompok ekspose
dan nonekspose pada penelitian prospektif (kohort), trial, dan penelitian cross-
sectional. Nilai RR = 1, berarti resiko sakit antara kelompok yang memilki resiko sama
dengan resiko sakit dari kelompok yang tidak memiliki resiko. Bila RR = 1 menunjukan
bahwa faktor tersebut tidak meningkatkan resiko terjadinya penyakit tersebut. Nilai RR
> 1 mengindikasikan bahwa keberadaan faktor resiko tersebut meningkatkan resiko
terjadinya penyakit pada kelompok ekspose. Nilai RR < 1 mengindikasikan bahwa
keberadaan faktor yang diteliti tersebut memberikan efek pencegahan atau dapat
menurunkan resiko terjadinya penyakit tersebut pada yang memilki faktor tersebut.
Untuk mengetahui apakah RR di populasi berbeda dengan 1, maka nilai RR yang
didapatkan dari sampel dihitung nilai confident intervalnya atau diuji
kemaknaannya dengan uji chi-square.
Hipotesis :
Analisis Faktor risiko

Modul STATA Page 21

Ho: RR=1 Ha: RR>1

Penarikan kesimpulan
Dari tabel Chi Square 2 x 2 didapatkan nilai Chi Square batas adalah 3,841.
Ho : tidak ditolak bila nilai chi square hitung < 3,841
Ho : ditolak bila nilai Chi Square hitung ≥ 3,841

Contoh Kasus : Faktor risiko asi ekslusif diteliti menggunakan rancangan cross-
sectional dan datanya disimpan dalam file Stata dengan nama “Faktor Risiko Asi
eslusive.dta” dengan struktur sbb:
asi Asi ekslusif 1=tidak, 0=ya
umur Klp umur 1= berisiko, 0=tidak
paritas paritas 1= berisiko, 0=tidak
pendidikan Pendidikan 1= berisiko, 0=tidak
pekerjaan pekerjaan 1= berisiko, 0=tidak
t4tinggal Tempat tinggal 1= berisiko, 0=tidak
persepsi Persepsi asi ekslusif 1= berisiko, 0=tidak
pengetahuan Pengetahuan asi 1= berisiko, 0=tidak
ekslusif
d_keluarga Dukungan keluarga 1= berisiko, 0=tidak
d_nakes Dukungan nakes 1= berisiko, 0=tidak
Analisis apakah paritas, pendidikan, tempat tinggal, pengetahuan, persepsi, dukungan
keluarga, dan dukungan tenaga kesehatan merupakan faktor risiko pemberian asi
ekslusif.

Prosedur STATA :
1. Buka Faktor Risiko Asi eslusive.dta
2. Ketik syntax dengan format : cs <vartergantung> <varbebas>
Contoh : hubungan tempattinggal dengan asi ekslusif è cs asi t4tinggal
Lalu tekan enter hingga muncul Output berikut:

Modul STATA Page 22

 . cs asi t4tinggal

status tempat tinggal

Exposed Unexposed Total

Cases 35 29 64
Noncases 15 49 64

Total 50 78 128

Risk .7 .3717949 .5

Point estimate [95% Conf. Interval]

Risk difference .3282051 .1619613 .4944489

Risk ratio 1.882759 1.339026 2.647282
Attr. frac. ex. .4688645 .2531887 .622254
Attr. frac. pop .2564103

chi2(1) = 13.13 Pr>chi2 = 0.0003

3. Interpretasi
RR = 1.88, 95% CI 1.34 – 2.65, Chi-square (13.13) > 3.841, p < 0.05 è Ho
ditolak
Sehingga dapat disimpulkan bahwa tempat tinggal berhubungan dengan
pemberian asi eksklusif, dimana tempat tinggal yang tidak kondusif 1.88 kali
meningkatkan risiko ibu untuk tidak memberikan asi eksklusif pada bayinya
(95% CI 1.34 – 2.65).

3.3 Uji Perbedaan Risk pada Studi Case-Control

Odd Ratio tepat dipakai menentukan perbedaan resiko pada penelitian case-
control (retrospektif). Pada penelitian independent case-control, pemilihan kontrol tidak
dipasangkan dengan kasus. Pada rancangan matched case-control, setiap kasus
dipilihkan kontrol yang memiliki ciri yang sama dengan kasus. Nilai OR sama dengan 1
menunjukan bahwa odd terjadi sakit antara kelompok ekspose dan nonekspose tidak
berbeda. Nilai OR > 1 menunjukan bahwa odd terjadinya sakit pada kelompok
ekspose lebih tinggi dari nonekspose. Nilai OR < 1 mengindikasikan terjadinya
penurunan odd sakit pada kelompok terekspose atau juga disebut keberadaan faktor
tersebut memberikan efek pencegahan. Pada penelitian independent case-control
Untuk mengetahui apakah OR di populasi berbeda dengan 1, maka nilai OR yang
didapatkan dari sampel dihitung nilai confident intervalnya atau diuji kemaknaannya
dengan uji chi-square, sedangkan pada penelitian matched case-control akan diuji
dengan uji McNemar.

Hipotesis : Analisis Faktor risiko

Ho: OR=1 Ha: OR>1

Penarikan kesimpulan
Dari tabel Chi Square 2 x 2 didapatkan nilai Chi Square batas adalah 3,841.
Ho : tidak ditolak bila nilai chi square hitung < 3,841
Ho : ditolak bila nilai Chi Square hitung ≥ 3,841

Modul STATA Page 23

Prosedur STATA :
1. Dengan menggunakan contoh kasus di atas, asumsi penelitian case-control
untuk mencari hubungan tempattinggal dengan asi ekslusif. Ketik syntax
dengan format :
cc <vartergantung> <varbebas>
contoh ini = cc asi t4tinggal
maka akan muncul output sbb :
. cc asi t4tinggal
Proportion
Exposed Unexposed Total Exposed

Cases 35 29 64 0.5469
Controls 15 49 64 0.2344

Total 50 78 128 0.3906

Point estimate [95% Conf. Interval]

Odds ratio 3.942529 1.734441 9.096335 (exact)

Attr. frac. ex. .7463557 .4234453 .8900656 (exact)
Attr. frac. pop .4081633

chi2(1) = 13.13 Pr>chi2 = 0.0003

2. Interpretasi
OR = 3.94, 95% CI 1.73 – 9.09, Chi-square (13.13) > 3.841, p < 0.05 è Ho
ditolak
Sehingga dapat disimpulkan bahwa tempat tinggal berhubungan dengan
pemberian asi eksklusif, dimana tempat tinggal yang tidak kondusif 3.9 kali
meningkatkan peluang ibu untuk tidak memberikan asi eksklusif pada bayinya
(95% CI 1.34 – 2.65).

3. Jika contoh di atas menggunakan metode matched case control maka syntax
STATA adalah
mcc var_exposed_case var_exposed_control

Modul STATA Page 24

MODUL 4
KORELASI & REGRESI LINEAR
Correlation & Linear Regression

4.1 KORELASI
4.1.1 Pendahuluan
Korelasi dipakai untuk menganalisis hubungan dua variabel numerik atau ordinal,
misalnya hubungan antara berat badan (numerik) dengan tinggi badan (numerik) atau
antara skor kepuasan pasien (ordinal) dengan skor loyalitas pasien (ordinal). Pada
modul ini akan dibahas indikasi, persyaratan, langkah-langkah dalam prosedure
correlation dan cara interpretasi hasilnya.

Tujuan
Mahasiswa diharapkan dapat menggunakan STATA sebagai alat bantu analisis
korelasi pada berbagai penelitian kesehatan dan dapat memberikan interpretasi
berbagai output analisis korelasi.

Pokok Bahasan
Pada modul ini akan dibahas:
• Indikasi korrelation
• Asumsi
• Hipotesis
• Metode analisis
• Conclussion
• Prosedur Corelate
• Output & Interpretasi

4.1.2 Indikasi
Analisis korelasi dipakai untuk menganalisis hubungan variabel X dan Y dimana
variabel X dan y berskala pengukuran interval atau ordinal. Misalnya akan mempelajari
hubungan antara panjang tungkai kaki dengan jauh lompatan. Panjang tungkai bawah
(dalam cm) adalah variabel berskala interval dan jauh lompatan (dalam meter) juga
berskala interval.

4.1.3 Persyaratan
Uji korelasi terdiri dari tiga jenis yaitu: korelasi Pearson, Spearman Rank, dan Kendall.
1) Pearson Correlation
Variabel X dan Y merupakan variabel numerik atau interval dan berdistribus
normal.

2) Spearman rank Correlation

Modul STATA Page 25

 Variabel X dan Y adalah variabel numerik akan tetapi data dari kedua atau salah
satu dari variabel tersebut tidak berdistribusi normal atau keduanya merupakan
variabel ordinal.
3) Kendall
Variabel X dan Y berskala pengukuran ordinal.

4.1.4 Scater Plot

Bila X dan Y adalah variabel yang akan dianalisis hubungannya, maka Scatter Plot
variabel X dan Y adalah grafik koordinat (X,Y) dari setiap sampel. Dari Scatter plot
tersebut akan dapat dilihat kuat dan arah hubungan dari kedua variabel tersebut. Bila
semua koordinat (X,Y) terletak pada satu garis lurus, maka hubungan kedua variabel
tersebut dinyatakan sempurna. Sebaliknya, bila koordinat (X,Y) menyebar disemua
area grafik dan tidak menunjukan bentuk tertentu, maka kedua variabel tersebut
dinyatakan tidak ada hubungan. Kalau koordinat (X,Y) menyebar dalam bentuk elip
maka kedua variabel tersebut dinyatakan memiliki hubungan yang tidak sempurna.
Arah hubungan kedua variabel X dan Y bisa positif atau searah dan bisa negatif atau
berlawanan arah. Kedua variabel dinyatakan memiliki hubungan serarah bila gambar
menunjukan jika nilai X bertambah, nilai Y juga bertambah. Sebaliknya kedua variabel
dikatakan memilki hubungan negatif bila scatter plot menunjukan bila nilai X
bertambah akan diukuti oleh penurunan dari nilai Y. Berikut adalah contoh beberapa
bentuk scatter plot.
17.50 14.00

12.00

15.00

10.00

12.50
8.00
Y
Y

6.00
10.00

4.00

7.50
2.00

5.00 0.00

0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00

X X

Korelasi sempurna positif Korelasi sempurna negatif

15.00 14.00

12.00

12.00

10.00

9.00
8.00
Y

6.00
6.00

4.00

3.00

2.00

0.00 0.00

0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00

X X

Korelasi positif Korelasi negatif

Modul STATA Page 26

 15.00

10.00
Y

5.00

0.00

0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00

Tidak ada korelasi

4.1.5 Koefisien Korelasi

Apabila variabel X dan Y yang diteliti hubungannnya, maka kuat dan arah hubungan
dari kedua variabel tersebut, selain dapat dilihat secara kasar dari scatter plot, juga
dapat ditentukan dengan koefisien korelasi dari hubungan kedua variabel tersebut.
Koefisien korelasi diberi simbul ‘r’ memiliki rentang nilai absolutnya dari 0 sampai
dengan 1. Nilai r = 0, berarti kedua variabel tersebut sama sekali tidak berhubungan
atau nilai dari variabel yang satu sama sekali tidak berkaitan dengan nilai variabel
yang lainnya. Bila nilai r antara 0,1 – 0,39 dinyatakan ada hubungan yang ringan, nilai
r antara 0,4-0,69 disebut ada hubungan sedang, nilai r 0,7-0,99 dinyatakan ada
hubungan yang kuat dan bila nilai r = 1 menunjukkan adanya hubungan yang
sempurna antara kedua variabel tersebut. Hubungan sempurna artinya setiap
kenaikan satu unit dari variabel yang pertama akan diikuti pula oleh meningkatnya satu
unit dari variabel yang kedua dan scatter plotnya akan berbentuk sebuah garis lurus.
Arah hubungan dari kedua variabel tersebut ditentukan dari tanda +/- dari nilai r. Bila
nilai r bertanda negatif maka kedua variabel tersebut dinyatakan memiliki hubungan
negatif (berlawanan arah). Sebaliknya, bila nilai r bertanda positif maka kedua variabel
tersebut memiliki hubungan positif (searah). Hubungan positif artinya arah perubahan
kedua nilai variabel tersebut searah. Bila nilai dari variabel yang satunya naik akan
diikuti pula oleh naiknya nilai variabel yang satu lagi. Misalnya umur dan berat badan
mempunyai hubungan positif artinya bila umur bertambah, maka berat badan juga
bertambah. Sebaliknya, hubungan negatif berarti arah perubahan nilai kedua variabel
tersebut berlawanan. Bila nilai variabel yang satu naik, akan diikuti oleh menurunnya
nilai variabel yang lain. Misalnya hubungan antara bensin dalam tangki dengan jarak
yang ditempuh. Makin jauh jarak yang ditempuh, makin berkurang jumlah bensin di
dalam tangki.

4.1.6 Cara Menghitung Koefisien Korelasi (r)

Bila variabel yang akan dipelajari hubungannya adalah variabel X dan Y, maka
koefisien korelasi hubungan dari kedua variabel tersebut dapat dihitung sebagai
berikut:
Rumus:

r=
∑ XY − (∑ X ∑ Y )/ n
{∑ X 2
− (∑ X ) / n}{∑ Y − (∑ Y )
2 2 2
/n }

Modul STATA Page 27

 Keterangan:
r = koefisien korelasi
ƩXY = jumlah hasil kali nilai var X dengan var Y
ƩX = jumlah nilai var X
ƩY = jumlah nilai var Y
ƩX2 = jumlah nilai var X kwadrat
ƩY2 = jumlah nilai var Y kwadrat
n = jumlah sampel

4.1.7 Uji Hipotesa Koefisien Korelasi

Sangatlah tidak mungkin menentukan korelasi variabel X dan Y di populasi, maka
pada banyak penelitian, penentuan korelasi X dan Y dilakukan pada sampel. Untuk
menentukan apakah korelasi yang ditentukan dari sampel benar menggambarkan
korelasi X dan Y di poluasi, maka perlu dilakukan uji hipotesis degan langkah berikut.
1) Menetapakan hipotesis untuk korelasi
Hipotesis statistik sbb:
Ho: ρ = 0 (tidak ada hubungan)
Ha: ρ # 0 (ada hubungan

2) Metode analisis
Koefisien korelasi mempunyai distribusi menyerupai distribusi t, oleh karena itu,
uji Hipotesa koefisien korelasi dilakukan dengan statistik uji “t” dengan derajat
bebas df = n-2 dengan rumus sbb.
r r
t= = ( n − 2)
2
(1 − r ) (1 − r 2 )
(n − 2)

Keterangan:
t = nilai statistik t
r = koefisien korelasi sampel
n = jumlah sampel

4.1.8 Cara pengambilan kesimpulan

Ho diterima bila nilai p > 0,05 dan Ho ditolak bila nilai p ≤ 0,05.
Nilai p dapat dilihat pada tabel distribusi t dan pada semua program paket statistik
akan mencantumkan nilai p dari hasil uji pada tabel luaran (output) hasil analisnya.

Modul STATA Page 28

Contoh Kasus
Sebagai bahan latihan, berikut adalah data sebuah penelitian cross-sectional
karakteristik faktor risiko penderita CHD di Rumah Sakit X.
Tabel 1. Karakteristik faktor risiko CHD di Rumah Sakit X
No. Age Chol BMI No. Age Chol BMI
1 56 292 31.85 16 56 329 20.30
2 48 339 31.06 17 44 349 25.96
3 60 303 30.17 18 29 419 25.40
4 59 269 27.94 19 45 278 26.08
5 58 312 21.43 20 44 354 28.62
6 64 185 32.44 21 34 317 22.67
7 59 303 24.96 22 40 334 24.66
8 47 304 33.05 23 34 345 31.47
9 47 334 23.02 24 39 330 39.54
10 28 328 27.12 25 45 347 25.10
11 54 363 28.46 26 41 339 22.05
12 38 399 26.63 27 57 353 28.59
13 35 321 25.90 28 57 220 25.84
14 64 244 30.83 29 38 385 26.83
15 34 314 24.55 30 45 240 32.73

4.1.9 Prosedur Korelasi

1) Merekam Data

Rekam data di atas dengan cara seperti yang sudah dilakukan pada modul
sebelumnya.

2) Membuat Scatter Plot

Scatter Plot adalah grafik pencar yang menggambarkan hubungan variabel X dan
Y.
Misalnya akan membuat Scatter plot antara variabel Umur dengan Kolesterol,
caranya adalah sbb:
Format command pada STATA : scatter variable_Y variable_X
Contoh dalam kasus ini : scatter chol age
400
350
chol
300
250
200

30 40 50 60 70
age

Modul STATA Page 29

 Tampak hubungan negatif antara umur dengan kolesterol darah pada penderita
CHD

3) Analisis korelasi

Uji Pearson bila data normal atau Kendall bila data ordinal atau Spearman bila
data tidak normal seperti bagan berikut. Dalam kasus ini data berdistribusi
normal maka akan digunakan analisis Pearson Correlation. Misalnya ingin
melakukan analisis korelasi antara umur dengan kadar kolesterol.

Ketik syntax pada jendela command dengan format : pwcorr varY varX, sig obs
Pada contoh syntaxnya adalah : pwcorr age chol, sig obs
Lalu enter maka akan muncul output sebagai berikut :

Matriks korelasi variabel umur dan kolesterol

Bila ingin melakukan analisis korelasi antara umur dengan kadar kolesterol dan
BMI maka syntaxnya adalah : pwcorr age chol BMI , sig obs. Hasilnya adalah
sebagai berikut:
Matriks korelasi variabel umur, kolesterol dan BMI

4.1.10 Interpretasi

Ø Interpretasi
Arah hubungan dilihat dari tanda koefisien korelasi. Bila sign negatif, berarti
hubungannnya negatif atau berlawanan arah. Sebaliknya, bila sign positif
berarti ada hubungan positif atau searah.

Modul STATA Page 30

 Kuat hubungan dilihat dari nilai absolut koefisien korelasi. Korelasi sempurna
bila r = 1, kuat bila 0,7<r< 1, sedang bila0,4 <r <0,7, ringan bila 0<r<0,4, dan
tidak ada hubungan bila r=0.

Signifikansi hubungan
Hubungan dinyatakan bermakna bila nilai p ≤ α dan sebaliknya dinyatakan
tidak bermakna bila p > α

Dari hasil analisis di atas dapat disimpulkan bahwa umur berkorelasi negatif
sedang (r = - 0.5510) dengan kolesterol (p = 0,0016), tetapi umur tidak
berkorealsi dengan BMI (p=0.5427). Kolesterol berhubungan negatif sedang
dengan umur (p = 0,0016), tetapi tidak berkorelasi dengan BMI (p=0,1152).

Modul STATA Page 31

4.2 Regresi Linier

4.2.1 Pendahuluan
Metode korelasi dipakai untuk mempelajari hubungan antara variabel numerik X
dengan numerik Y. Korelasi tidak menjelaskan hubungan sebab-akibat atau causal
relationship antara variabel terhadap Y. Berbeda dengan metode regresi, dimana
tujuan utamanya adalah mempelajari hubungan sebab-akibat antara variabel bebas X
terhadap variabel tergantung Y. Dalam regresi, variabel bebas juga disebut sebagai
variabel prediktor karena nilai variabel y dapat dipredikasi dari nilai variabel X
berdasarkan persamaan regresi antara variabel Y dengan X.

Dalam bidang kesehatan, metode regresi umumnya dipakai untuk memprediksi

variabel Y dari variabel X dan kegunaan lainnya adalah untuk mempelajari besar
pengaruh variabel prediktor X terhadap variabel outcome Y.

Tujuan
Mahasiswa diharapkan dapat menggunakan STATA sebagai alat bantu analisis regresi
pada berbagai penelitian kesehatan dan dapat memberikan interpretasi berbagai
output analisis korelasi.

Pokok Bahasan
Sehubungan dengan kegunaan tersebut, pada modul ini akan dibahas tentang:
• Indikasi
• Asumsi
• Metode seleksi variabel prediktor
• Parameter Regresi
• Prosedur STATA
• Interpretasi hasil

Indikasi
Prosedur Regresi Linear dipakai untuk menganalisis hubungan dan pengaruh satu
atau beberapa variabel prediktor atau Risk faktor terhadap satu variabel tergantung
yang berskala interval atau numerik. Regresi linier sederhana adalah untuk
menganalisis hubungan dan pengaruh satu variabel prediktor terhadap satu variabel
tergantung, sedangkan regresi linier berganda untuk menganalisis hubungan dari
beberapa variabel prediktor terhadap satu variabel tergantung. Sebagai contoh
misalnya akan dipelajari pengaruh merokok (ya/tidak), umur (th), kolesterol darah,
indek masa tubuh (IMT), tekanan darah sistole terhadap kadar gula penderita DM type
II.

4.2.2 Model
Dalam analisa regresi, pengaruh variabel bebas Xi terhadap variabel tergantung Y
diasumsikan linier, sehingga hubungan dari kedua variabel tersebut dapat dinyatakan
dalam suatu persamaan garis lurus yang disebut sebagai Model Regresi Linier
sederhana sebagai berikut:

Y = a + b iX i + ε
Keterangan:

Modul STATA Page 32

 Y = variabel tergantung (dependent variable)
Xi = variabel bebas (independent variable) ke i
bi = koefisien regresi variabel bebas ke i
a = konstan atau intercept
ε = residu (eror)

Sedangkan untuk regresi linier berganda modelnya adalah sebagai berikut :

Y = a + biXi + biiXii + biiiXiii + dst.....+ ε

4.2.3 Persyaratan
Validitas hasil analisis regresi diragukan atau bias bila asumsi analisis regresi seperti
berikut tidak terpenuhi.
1. Homoskedastik
Data dari variabel outcome Y, untuk setiap nilai variabel prediktor X, harus
berdistribusi normal dan memiliki varian yang sama (homogen) serta memiliki
nilai rerata yang terletak dalam satu garis lurus atau disebut Homoskedastik
(untuk regresi linier sederhana dan berganda).
2. Tidak terdapat multikolinearitas
Tidak terdapat korelasi yag kuat antara variabel prediktor atau tidak tedapat
multikolinearitas (untuk regresi linier berganda).
3. Tidak terdapat otokorelasi
Tidak terdapat korelasi berseri antara variabel prediktor (untuk regresi linier
berganda).
4. Linearitas
Terdapat hubungan linear dari semua variabel prediktor Xi dengan variabel
outcome Y (untuk regresi linier sederhana dan berganda).

4.2.4 Koefisien regresi

Koefisien regresi menyatakan besarnya perubahan yang terjadi pada nilai variabel
tergantung Y sebagai pengaruh dari setiap perubahan satu unit nilai variabel bebas X
dan koefisien regresi diberi simbol “b”. Misalnya dari hasil analisis pengaruh variabel
bebas X terhadap variabel tergantung Y mempunyai nilai b = 3, maka ini berarti kalau
nilai nilai X berubah satu unit maka nilai Y akan berubah 3 unit. Besarnya koefisien
regresi dapat dihitung dengan rumus sebagai berikut:

b=
∑ XY − (∑ X )(∑ Y ) / n
2 2
∑ X − (∑ X ) / n
Keterangan:
b = koefisien regresi
∑XY = jumlah hasil kali nilai var bebas (X) dengan nilai var tak bebas (Y)

Modul STATA Page 33

 ∑X = jumlah nilai variabel bebas (X)
∑Y = jumlah nilai var tak bebas (Y)
2
∑X = jumlah kwadrat nilai var bebas (X)
n = jumlah sampel

4.2.5 Koefisien determinasi R2 (explanatory Power)

Besar pengaruh variabel bebas X terhadap variabel tergantung Y dinyatakan dengan
besarnya nilai koefisien determinan R2. Nilai R2 menyatakan proporsi variasi variabel
tergantung Y yang dapat dijelaskan oleh nilai variabel bebas X. Nilai R2 dapat
bervariasi antara 0 sampai 1. Bilai nilai R2 = 1, berarti semua variasi nilai variabel
tergantung Y dapat dijelaskan oleh variabel bebas X berarti tidak ada faktor lain yang
ikut mempengaruhi nilai variabel tergantung Y tersebut. Sebaliknya, bila nilai R2 = 0
menunjukkan bahwa variabel bebas X sama sekali tidak berpengaruh terhadap
variabel tergantung Y. Apabila persamaan regresi linear antara variabel bebas X dan
variabel tergantung Y adalah: Y’ = a + bX, maka besar nilai R2 dapat dihitung sebagai
berikut.

4.2.6 Metode seleksi variabel prediktor

Pada regresi linier berganda, dibutuhkan suatu metode seleksi variable prediktor untuk
mendapatkan model yang paling berpengaruh. Metode seleksi variabel prediktor terdiri
dari metode Enter, Backward, Forward, dan Stepwise. Berikut adalah penjelasan
singkat dari masing-masing metode.
Method Enter
Pada metode ini, semua variabel dipilih sekaligus sehingga hanya ada satu model.
Pada pilihan ini, hanya R2 gabungan yang dihitung sedangkan R2 dari masing-masing
prediktor tidak dihitung.
Method Backward
Pada metode ini seleksi dilakukan secara bertahap. Tahap pertama, semua variabel
dimasukan ke dalam model, kemudian variabel prediktor yang tidak berhubungan
dengan variabel outcome, satu-persatu dikeluarkan dari model. Pada model ini juga
tidak dihitung R2 dari masing-masing variabel yang berpengaruh.
Method Forward
Berlawanan dengan metode Backward, pada metode ini, variabel prediktor yang
berpengaruh akan dimasukan ke dalam model secara bertahap mulai dari yang
pengaruhnya paling besar sampai yang paling kecil. Pada model ini akan dihitung R2
dari masing-masing prediktor yang ada di dalam model.
Method Stepwise
Metode ini merupakan gabungan dari Forward dengan Backward. Pada metode ini,
semua prediktor yang ada di dalam model dapat dihitung R2nya.

Modul STATA Page 34

4.2.7 Prosedur STATA
Sebagai bahan latihan akan dipakai data hasil penelitian mengenai hubungan antara
kadar hb, intake kalori dan berat badan. Data disimpan dalam file: latihan korelasi dan
regresi.

Prosedure Regresi adalah sbb:

1) Buka file : latihan korelasi dan regresi.dta dengan cara:
Ø Open File
Klik menu “File”, “open”, “Data” atau klik icon OPEN
2) Analisis Regresi Linear Berganda (lebih dari 1 variabel bebas)
Ø Memilih prosedur regresi
Setelah data dibuka, maka langkah selanjutnya adalah menjalankan prosedur
regresi. Variabel Y adalah kadar hb dan variabel X adalah intake kalori dan
berat badan. Cara memilih prosedur regresi adalah sbb:
Dengan metode enter, ketik syntax dengan format: regress var_Y var_X1
var_X2
Pada contoh ini : regress hb intake_kal bb
Lalu enter maka muncul output sbb:

Catatan : bila ingin melakukan regresi linier sederhana, prosedur yang

dilakukan sama, hanya variabel bebas/prediktor berjumlah 1 è contoh :
hubungan antara kadar hb dengan intake kalori maka command STATA :
regress hb intake_kal

Ø Analisis Multikolinearitas
Sesudah melakukan command regress, lanjutkan dengan syntax : estat VIF

Modul STATA Page 35

 Ø Analisis Homoskedastisitas
Sesudah melakukan command regress, lanjutkan dengan syntax : estat hettest

Atau dengan grafik. Sesudah melakukan command regress, lanjutkan dengan

syntax: rvfplot. Tekan enter dan berikut hasilnya
1
.5
Residuals
0
-.5
-1

9 10 11 12 13 14
Fitted values

4.2.8 Interpretasi
1) Goodness of Fit
Apakah data fit dengan model regresi linear dapat dilihat dari hasil Anova (F).
Data dikatakan fit dengan model regresi linear bila nilai P dari hasil ANOVA < α
dan sebaliknya dinyatakan tidak fit bila nilai p dari analisis ANOVA > α. Pada
hasil analisis anova dari kasus di atas menunjukan nilai p < α (p = 0.00120),
berarti data dari kasus di atas fit dengan model regresi linear.

2) Multikolinearitas
Adanya multikolinearitas antar variabel prediktor ditentukan dari nilai VIF
(Variance Inflating Factors). Dinyatakan terdapat multikoliearitas bila nilai VIF >
10. Pada output STATA di atas didapatkan nilai VIF < 10, maka dapat
disimpulkan bahwa tidak terdapat multikliearitas antara variabel prediktor.

3) Homoskedastisitas
Dapat dilakukan dengan menggunakan analisis estat hettest. Nilai p>0.05
artinya variance konstan/homogen (tidak ada heteroskedastisitas). Asumsi
homokedastisitas terpenuhi. Homoskedastisitas vari variabel Y juga dapat
dilihat dari plot antara ZPRED (nilai standar dari nilai prediksi) dengan SRESID
(nilai studentize dari nilai residu). Bila plot dari ZPRED dengan SRESID tidak

Modul STATA Page 36

 memilki bentuk tertentu atau plotnya menyebar di semua area grafik, maka nilai
Y dikatakan memenuhi persyaratan homoskedastik. Sebaliknya, bila plotnya
memilki bentuk tertentu, dinyatakan asumsi homoskedastik tidak terpenuhi.
Hasil analisis di atas menunjukan plot antara ZPRED dengan SRESID tidak
memilki bentuk spesifik, maka asumsi homoskedastik terpenuhi.

4) Oto Korelasi
Otokorelasi dilihat dari statistik Durbin-Watson. Terjadi otokorelasi bila nilai
statistik Durbin-Watson < 2 atau > 4. Pada hasil analisis di atas didapatkan nilai
statistik Durbin-Watson > 2 dan < 4, berarti tidak terdapat otokorelasi.

5) Linearitas
Linearitas hubungan antara variabel prediktor terhadap variabel outcome Y
dapat dilihat dari hasil analisis Anova. Dinyatakan terdapat hubunga linear bila
nilai p dari analisis Anova < α. Linearitas juga dapat diuji dengan uji linearitas
pada prosedur “Compare mean”. Pada hasil Anova di atas didapatkan nilai p <
0,05, berarti terdapat hubungan yag linear antara prediktor dengan variabel
outcome.

6) Pengaruh variabel prediktor

Apakah variabel prediktor Xi berpengaruh terhadap variabel outcome Y, dilihat
dari hasil analisis Anova. Variabel prediktor dinyatakan ada yang berpengaruh
secara linear bila nilai p dari Anova < 0,05. Pada hasil analisis di atas
didapatkan nilai p dari hasil Anova < 0,05, berarti ada variabel prediktor Xi yang
berpengaruh terhadap Y. Kalau menggunakan metode ENTER dalam seleksi
variabel prediktor, dari hasil analisi Anova belum dapat diketahui variabel
prediktor mana saja yang berpengaruh. Untuk mengetahuinya dapat dilihat dari
koefisien regresinya. Sebaliknya, kalau metode seleksi menggunakan metode
Stepwise, forward atau backward, akan diketahui variabel prediktor mana yang
berpengaruh.

Besar pengaruh dari variabel yang terdapat di dalam model regresi dapat
dilihat dari nilai R2 yang terdapat pada model summary. Bila menggunakan
metode seleksi ENTER, nilai R2 yang diberikan merupakan nilai R2 gabungan
dari semua variabel prediktor. Bila menggunakan metode Stepwise atai
Forward, R2 dari masing-masing variabel prediktor yang berpengaruh dapat
dilihat dari nilai R2 change.

Coef _cons=a ; menunjukkan kadar hb bila BB=0 dan Intake kalori=0

Coef intake_kal=b1 ; menunjukkan penurunan HB bila intake kalori bertambah
1 (setelah dikontrol pengaruh umur) è namun hubungan ini tidak bermakna p
(0.075) > 0.05
Coef BB=b2; menunjukkan peningkatan kadar HB bila BB bertambah 1 kg
(setelah dikontrol pengaruh intake_kalori)

Dari hasil di atas diketahui bahwa hanya 1 prediktor yang berpengaruh

terhadap kadar HB yaitu berat badan. BB memberikan pengaruh sebesar 81%
(adjusted R-square) setelah dikontrol oleh pengaruh intake kalori.

Modul STATA Page 37

MODUL 5
ANALISIS STRATIFIKASI DAN REGRESI LOGISTIK

5.1 ANALISIS STRATIFIKASI

5.1.1 Pendahuluan
Pada penelitian kesehatan sering dipelajari hubungan antara dua variabel
kategori atau lebih, seperti misalnya terjadinya suatu penyakit dikaitkan dengan
keberadaan faktor risio tertentu. Sebagai contoh, misalnya akan diteliti apakah
kebiasaan merokok meningkatkan resiko terjadinya penyakit jantung koroner. Akan
tetapi, risiko penyakit jantung tidak semata-mata berkaitan dengan kebiasaan
merokok, ada faktor lain yang berkaitan dengan kebiasaan merokok dan penyakit
jantung tersebut misalnya jenis kelamin, yang dinamakan variabel perancu.
Hubungan antar variabel dapat dilihat pada bagan berikut :

Analisis stratifikasi digunakan untuk mengendalikan efek dari variabel perancu,

dengan cara mengelompokan sampel berdasarkan strata sesuai kategori variabel
perancu. Selain itu analisis stratifikasi digunakan untuk menilai apakah variabel ke tiga,
memberi pengaruh perancu, interaksi, atau independen terhadap hubungan eksposur
dengan outcome.

Tujuan
Mahasiswa diharapkan dapat menggunakan STATA sebagai alat bantu analisis
stratifikasi pada berbagai penelitian kesehatan dan dapat memberikan interpretasi
berbagai output analisis stratifikasi.

Modul STATA Page 38

5.1.2 Konsep Analisis Startifikasi

ai × d i

ORMH =
∑ (w × OR ) = ∑ n
i i i

∑w b ×c i i
∑ n
i

5.1.3 Uji Hipotesis

Uji yang digunakan dalam analisis stratifikasi adalah Mantel – Haenszel test.
Hipotesis : Ho: ORMH=1
Ha: ORMH≠1

Langkah Uji Stratifikasi:

– Perhitungan statistik
• Menentukan stratum spesifik OR
• Menentukan weight
• Menghitung OR MH, 95% CI OR MH
– Pengambilan keputusan
• Menentukan CV è Ho ditolak bila X2MH > CV

χ2 =
(∑ O − E ) ai ai
MH
∑V i

• nilai p è Ho ditolak bila p < α dan

5.1.4 Prosedur STATA

1. Gunakan data dari Oesophageal cancer (breaslow&Day data). Data penelitian
case-control, pada 975 sampel yang terdiri dari 200 kasus dan 775 kontrol.
2. Penelitian case-control kelompok kontrol harus dengan kode “0” dan kasus
dengan kode “1”,
3. Lakukan recode pada kasus diatas
4. Lakukan coding untuk variabel bebas :

Modul STATA Page 39

 a. Kategori paparan rendah atau tidak terpapar dari suatu variabel bebas
harus diberikan kode 0. Kategori ini akan dilabel sebagai kategori “tidak
terpapar/paparan rendah”

b. Kategori paparan yang lebih tinggi atau terpapar dari suatu variabel
bebas harus diberikan kode 1. Kategori ini akan dilabel sebagai kategori
“terpapar/paparan tinggi”.

5. Data alcohol direcode dari 1,2,3,4 (rendah ke tinggi). Untuk tujuan latihan, kita
akan collapse menjadi binary variabel 0 (kategori awal 1, rendah) dan 1
(kategori awal 2,3,4 è tinggi).

Alcohol è binary alcohol

• recode alcohol 1 = 0 nonmiss = 1, gen(binalc)
• label variable binalc “alc above vs below 40 g/day”
• label define highlow 0 “low” 1 “high”
• label value binalc highlow

Tobacco è binary tobacco

• recode tobacco 1 = 0 nonmiss = 1, gen(bintob)
• label variable bintob “tobacco above vs below 10 g/day”
• label value bintob highlow

6. Lakukan analisis hubungan antara minum alcohol dengan kejadian kanker,

dimana merokok diduga sebagai variabel perancu. Analisis menggunakan Uji
Mantel-Haenszel

7. Syntax : cc <var_tergantung> <var_bebas>, by <var_perancu>

cc casecon binalc, by (bintob). Maka akan muncul hasil sebagai berikut:

8. Interpretasi :
a. Crude OR itu adalah OR untuk oesophageal cancer dengan konsumsi
alcohol. Interpretasinya adalah minum minuman keras 5.85 kali
berpeluang untuk menderita kanker oesophageal.

Modul STATA Page 40

 b. M-H combined itu adalah OR untuk esophageal cancer dengan
konsumsi alcohol, yang sudah dikontrol dengan aktivitas merokok.
Interpretasinya minum minuman keras 5.3 kali meningkatkan odd
menderita kanker oesophageal setelah dikontrol oleh aktivitas
merokok.

c. Bagaimanakah meyakinkan bahwa variabel tersebut (rokok) adalah

variabel perancu? Lihat perbedaan antara Crude OR (COR) dan
Adjusted OR (AOR atau M-H OR). Bila perubahan > 10% maka disebut
perancu/counfounding lalu ini harus di adjust

∆ CRR-ARR = │((CRR – ARR)/CRR) x 100%│

Pada contoh diatas perbedaan = 9.4 maka variabel merokok bukan

perancu, maka perlu analisis lanjutan. Tidak bisa menarik kesimpulan
hanya dari uji M-H.

d. Apakah ada efek interaksi?

Dapat dilihat dari nilai hasil test of homogenity, bila < 0.05 maka ada
perbedaan yang bermakna nilai OR antar strata yang artinya ada efek
interaksi. Dari hasil di atas maka dapat dilihat bahwa test of homogenity
p = 0.024 yang artinya ada efek interaksi

e. Jadi untuk kasus diatas ada effect modifikasi (interaksi) dan ada
fenomena yang menarik dari kasus ini, oleh karena tidak bisa
sesederhana itu kita mengontrol/adjust untuk variabel merokok.

Modul STATA Page 41

5.2 REGRESI LOGISTIK
5.2.1 Pendahuluan
Berdasarkan skala pengukuran, variabel dibedakan menjadi variabel nominal,
ordinal, interval dan ratio. Variabel nominal adalah variabel yang hasil pengukurannya
atau unit nilai pengukurannya tidak memiliki rentang ukuran yang tetap dan hasil
pengukurannya tidak dapat diurut. Misalnya jenis kelamin, pekerjaan, dan lainnya.
Variabel nominal dibedakan menjadi variabel nominal binary dengan hanya dua
kategori dan multinomial dengan lebih dari dua kategori. Variabel skala ordinal juga
tidak memilki interval yang tetap, akan tetapi hasil pengkurannya dapat diurut.
Misalnya status gizi baliti dengan kategori hasil pengkurannya terdiri dari gizi lebih, gizi
baik, gizi kurang, dan gizi bukur. Variabel interval memiliki unit ukuran yanh memilki
ienterval tetap dan juga dapat diurut, akan tetapi tidak mempunyai nilai nol absolut.
Misalnya suhu udara dalam derajat Celcius dimana nilainya bisa –10o C. Variabel ratio
sama dengan variabel interval, tetapi dia memiliki nilai nol absolut artinga hasil
pengukuran dari variabel tersebut tidak ada kemungkinan nilainya < nol. Misalnya
tinggi badan, berat badan, gula darah, dsbnya.
Dalam penelitian kesehatan atau kedokteran, outcome variabel yang sering
diteliti merupakan variabel dengan dua kategori atau disebut binary outcome. Misalnya
pada penelitian faktor risiko penyakit jantung koroner (PJK), yang menjadi variabel
outcome (tergantung) adalah PJK dengan dua kategori, yaitu menderita PJK dan
bukan PJK. Pada contoh penelitian lain, diteliti pemberian ASI ekslusif terhadap risiko
diare, dimana variabel outcome-nya adalah diare dengan dua kategori yaitu: diare dan
tidak diare.
Pada umumnya masalah di bidang kesehatan/kedokteran sifatnya komplek dan
jarang terjadinya satu kejadian yang disebabkan oleh satu faktor tunggal. Sebagai
contoh, misalnya penyakit jantung koroner (PJK) disebabkan oleh banyak faktor
seperti faktor fisik, perilaku, lingkungan, dan akses terhadap pelayaan. Untuk
mempelajari hubungan satu masalah dengan berbagai faktor yang terkait tidak bisa
lagi dianalisis secara bivariate saja. Metode analisis mulivariate atau multivariabel
merupakan metode analisis yang memungkinkan kita mempelajari hubungan beberapa
variabel bebas dengan satu variabel tergantung. Misalnya pada penelitian faktor risiko
PJK, faktor determinan kematian bayi, dan lainnya. Metode analisis multivariate
dibedakan menurut jenis variabel outcomenya seperti pada matrik di bawah ini.

Tabel 1. Matrik jenis analisis Multivariate menurut jenis variabel tergatung

Variabel Contoh Jenis Analisis Jenis Analisis

Outcome Bivariate Multivariate

Interval Kadar gula darah, Uji t, Anova, ANOVA, ANCOVA,

kolesterol darah, Korelasi, regresi Multiple Regression
serum feritin, dll linear

Ordinal Stadium penyakit, Chi-square for trend, Proportional Odd

severitas penyakit, Mann-Whitney, Regression
status gizi Spearman Rank

Binary Kesembuhan, Chi-square, Fisher Binary Logistic

kematian, kesakitan Exact, Mann- Regression, Poisson
Whitney Regression

Modul STATA Page 42

 Nominal Penyebab Chi-square Multinomial Logistic
kematian, lokasi Regression
kanker

Time to Waktu sampai mati, Log-rank Cox-Regression

outcome waktu sampai
kambuh kembali

Count Jml bakteri perlap. Poisson regression Poisson Regression

pandang, jml kasus
bunuh diri per bulan

Incedence Insiden penyakit Z-test Poisson Regression

Rate baru, insiden
Cox Regression
kecelakaan

Tujuan
Mahasiswa diharapkan dapat menggunakan STATA sebagai alat bantu analisis binary
outcome salah satunya dengan menggunakan analisis regresi logistik pada berbagai
penelitian kesehatan dan dapat memberikan interpretasi berbagai output analisis
regresi logistik.

Pokok Bahasan
Sehubungan dengan kegunaan tersebut, pada modul ini akan dibahas tentang:
• Indikasi
• Model
• Metode seleksi variabel prediktor
• Perhitungan Odd Ratio (OR)
• Uji Hipotesis Odd Ratio
• Prosedur STATA
• Interpretasi hasil

5.2.2 Indikasi
Regresi logistik adalah salah satu metode analisis multivariate untuk
menganalisis hubungan satu variabel binary outcome dengan satu atau lebih variabel
bebas dengan skala pengukuran nominal, ordinal atau interval dimana parameter yang
dipakai menilai hubungan tersebut adalah Odd Ratio (OR). Metode ini banyak dipakai
menganalisis faktor risiko suatu penyakit, misalnya faktor risiko penyakit jantung
koroner, faktor risiko penyakit diabetes militus type 2, dll. Metode ini banyak dipakai
pada penelitian faktor risiko dengan rancangan case-control dimana pada rancangan
ini angka insiden tidak memungkinkan untuk didapatkan. Metode ini juga dipakai untuk
menganalisis faktor risiko pada penelitian dengan rancangan cross-sectional dimana
pada rancangan ini juga tidak dimungkinkan untuk mendapatkan angka insiden.

Modul STATA Page 43

5.2.3 Model
Pada regresi logistik, binary outcome variabel ditranformasi dengan
menggunakan logit, sehingga hubungan antara variabel outcome (Y) dengan variabel
tergantung (Xi) dapat dinyatakan dalam model persamaan regresi sbb:

Logit (Py=1) = a + biXi

Diketahui bahwa:
Logit (Py=1) = log(P/(1-P)) dan

P/(1-P) = Odd

Maka persamaan model regresi logistik di atas dapat ditulis menjadi:

Log Odd = a + biXi atau dapat juga ditulis sbb Odd = exp (a + biXi)

5.2.4 Seleksi Variabel Prediktor

Metode seleksi variabel prediktor pada regresi logistik terdiri dati metode Enter,
Forward, dan Backward.

1. Metode Enter
Bila metode seleksi yang dipakai adalah metode Enter, maka akan terdapat satu
model saja yang berisikan semua variabel prediktor. Bila variabel prediktornya
adalah X1, X2, dan X3, maka model regresi logistik dari variabel tersebut adalah:

Odd(x1) = exp (a + b1X1 + b2X2 + b3X3)

Pada metode enter hanya dterdapat satu nilai koefsiien determinanasi (R2) yang
menyatakan besar pengaruh semua variabel prediktor yang ada di dalam model
terhadap variabel outcome. Misalnya dari analisis didapatkan nilai R2 = 0,30,
berarti semua variabel prediktor mempunyai pengaruh sebesar 30% terhadap nilai
variabel outcome. Apabila terdapat lebih dari satu variabel prediktor, maka kita
tidak bisa menentukan berapa pengaruh dari masing-masing variebel prediktor
terhadap variabel outcomenya.

2. Metode Forward
Pada metode Forward, variabel prediktor akan dipilih satu persatu secara
berjenjang (stepwise) mulai dari variabel prediktor yang nilai p dari hubungannya
terhadap outcome variabel paling kuat dan selanjutnya disusul oleh variabel yang
nilai pnya di bawah variabel yang terpilih sebelumnya, sampai semua variabel
yang memenuhi ktiteria terpilih masuk ke model. Kriteria terpilih disebut nilai p
enter yang umumnya besarnya 0,1 yang artinya variabel yang bisa dipilih adalah
variabel prediktor yang mempunyai hubungan dengan variabel outcome dengan
nilai p ≤ 0,1 saja yang akan dianalisis, sedangkan variabel prediktor yang lain
tidak. Banyak peneliti menggunakan nilai P(enter) sebesar 0,2. Bila menggunakan
nilai p enter 0,2, maka hanya variabel prediktor yang mempunyai hubungan

Modul STATA Page 44

 dengan variabel outcome dengan nilai p ≤ 0,2 saja yang akan dianalisis,
sedangkan variabel prediktor yang lain tidak.

Misalnya dari analisis bivarite hubungan ketiga variabe tersebut dengan variabel
outcome memiliki nilai p untuk X1 adalah 0,01, X2 adalah 0,001 dan X3 adalah
0,25 dan nilai p(enter) = 0,2, maka proses seleksinya adalah sbb:
Step 1: Odd = exp (a + b2X2)
Step 2: Odd = exp (a + b2X2 + b1X1)
Model terakhir menjadi: Odd = exp (a + b2X2 + b1X1), dimana X3 tidak dipilih
karena nilai p > 0,2.
Pada metode seleksi Forward, nilai R2 dari setiap step dihitung, sehingga dari nilai
R2 tersebut dapat dihitung R2 dari masing-masing variabel.

3. Metode Backward
Metode Backward adalah kebalikan dari metode forward, dimana pada tahap
pertama, semua variabel prediktor dimasukkan ke model, kemudian akan dipilih
satu persatu secara bertingkat untuk dikeluarkan dari model bila variabel tersebut
mempunyai hubungan dengan nilai p yang lebih besar dari kriteria dikeluarkan.
Variabel prediktor yang pertama dipilih untuk dikeluarkan dari model adalah
variabel prediktor yang memiliki nilai p pada analisis bivariate paling besar dan
disusul oleh variabel dengan nilai p yang lebih kecil sampai semua variabel yang
mempunyai nilai p lebih besar dari kriteria removed dikeluarkan dari model.
Kriteria dikeluarkan biasanya ditentukan besarnya 0,1 atau 0,2.

Misalnya dari analisis bivariate dengan variabel outcome, ketiga variabe tersebut
memiliki nilai p untuk X1 adalah 0,01, X2 adalah 0,001 dan X3 adalah 0,25 dan
nilai p(enter) = 0,2, maka proses seleksinya adalah sbb:
Step 1: Odd = exp(a + b1X1 + b2X2 + b3X3)
Step 2: Odd = exp(a + b1X1 + b2X2)
Model terakhir menjadi: Odd = exp (a + b1X1 + b2X2), dimana X3 keluar dari
model karena nilai p > 0,2.
Metode seleksi backward tidak dapat memberikan nilai R2 dari masing-masing
variabel yang ada di dalam model.

5.2.5 Odd Ratio (OR)

Penghitungan OR dari salah satu variabel prediktor dilakukan dengan
menggunakan model regresi logistik seperti yang dijelaskan di atas, yaitu:
Odd = exp a + biXi
Misalnya ada tiga variabel prediktor, yaitu X1, X2, dan X3 dan yang akan dihitung
ORnya adalah variabel X1 dimana kelompok terpapar nilai X1=1 dan kontrol X1 = 0.
Dalam perhitungan OR dari variabel X1, variabel bebas lainnya seperti X2 dan X3
diberikan nilai 0 (tidak ada efek), maka OR dihitung sbb:

Modul STATA Page 45

 Odd(X=1) Exp(a + bX1 + b2X2 + b3X3) Exp(a + b1)
OR = ------------- = ----------------------------------------- = ----------------- = Exp b1
Odd(X=0) Exp(a + bX1 + b2X2 + b3X3) Exp(a)

Jadi penentuan besarnya nilai OR dari variabel prediktor Xi adalah sama dengan
Exponentian dari bi. Nilai OR tersebut disebut adjusted OR.

Nilai OR dari satu variabel prediktor yang dihitung dengan model regresi
logistik adalah nilai OR dimana efek variabel lainnya dikendalikan. Oleh karena itu,
nilai OR tersebut merupakan Adjusted OR. Berbeda dengan nilai OR yang dihitung
dengan metode bivariate, dimana efek dari variabel lainnya tidak dikendalaikan. Oleh
karena itu, nilai OR yang dihitung secara bivariate disebut unadjusted OR.

Cara penghitungan Confidence Interval OR

Confidence Interval OR dihitung dengan rumus sbb:
Batas bawah = OR x exp(-1,96 x SE)
Batas atas = OR x exp(1,96 x SE)

5.2.6. Uji Hipotesis Odd Ratio

OR adalah rasio antara Odd kelompok terpapar dengan kelompok tidak
terpapar. Suatu vaiabel dinyatakan meningkatkan risiko bila nilai OR > 1, menurangi
risiko bila nilai OR < 1, dan tidak ada hubungan bila nilai OR = 1. Oleh karena itu
hipotesis statistik dari OR adalah:
Ho: OR =1 (tidak terdapat perbedaan risk)
Ha: OR # 1 (terdapat perbedaan risk)

Uji Statistik
Untuk menguji apakah Ho diterima atau ditolak, maka Ho tersebut harus diuji
kebenarannya dengan menggunakan data emperis yang dikumpulkan dari sampel.
Parameter yang diuji adalah koefisien regresi “b” dengan uji Wald.

Kesimpulan
1. Menggunakan nilai p
Nilai signifikansi dari uji Wald akan dipakai dasar pengambilan keputusan
dalam uji hipotesis tentang OR. Ho diterima atau tidak terdapat perbedaan risk
antara kelompok terpapar dengan kelompok tidak terpapar bila nilai p dari
statistik Wald > α (tingkat kemaknaan). Sebaiknya Ho ditolak atau terdapat
perbedaan risk antara kelompok terpapar dengan kelompok tidak terpapar
apabila nilai p ≤ α. Apabila Ho ditolak, perlu dilihat apakah nilai OR > 1 atau
nilai OR < 1. Bila nilai OR > 1 dan nilai p ≤ α, berarti faktor tersebut

Modul STATA Page 46

 meningkatkan risiko. Sebaliknya, bila nilai OR < 1 dan nilai p ≤ α, berarti faktor
tersebut menurunkan risiko atau faktor tersebut memberikan efek pencegahan.

2. Menggunakan nilai CI
Kesimpulan hasil uji hipotesis juga dapat dibuat dengan menggunakan CI dari
OR. Ho diterima bila angka “1” berada di dalam rentangan nilai CI, mialnya CI
95% OR adalah 0,15 - 10,5. Sebaliknya, Ho ditolak bila angka “1” berada di
luar rentang nilai CI, misalnya CI 95% OR adalah 2,5 – 7,5.

5.2.7. Prosedur STATA

Analisis menggunakan Menu
Prosedur Logistic Regression sbb:
1. Aktifkan Stata
Double click Ikon Stata sbb:

2. Open file CHD.dta

Click menu: File dan Open, seperti gambar di bawah ini.

Cari file: “CHD DATA.dta di folder Anda

Click “CHD DATA.dta maka akan tampak seperti gambar berikut:

Modul STATA Page 47

 Click “Open”, maka file data dibuka sehingga di layar akan tampak variabel
yang terdapat pada file seperti gambar berikut.

3. Procedure Logistic regression

Click menu: Statistics > Binary outcomes > Logistic regression (reporting odds
ratio), seperti gambar berikut.

Modul STATA Page 48

 Maka akan tampak sbb:

4. Memilih variabel dependent

Click “ dari kotak Dependent variable:” dan selanjutnya pilih CHD, maka
variabel CHD akan berada di kotak “Dependent variabel” seperti contoh di
atas ini.

5. Memilih variabel Independent

Click “ dari kotak Independent variables:” dan selanjutnya pilih CHD, maka
variabel CHD akan berada di kotak “Dependent variabel” seperti contoh di
bawah ini.

Modul STATA Page 49

 Click “OK” untuk menjalankan prosedur, maka akan tampak output sbb:

. logistic CHD obase klp_umur sex

Logistic regression Number of obs = 200

LR chi2(3) = 22.49
Prob > chi2 = 0.0001
Log likelihood = -111.7622 Pseudo R2 = 0.0914

CHD Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]

obase 3.288366 1.136157 3.45 0.001 1.67064 6.472577

klp_umur 1.746819 .4622327 2.11 0.035 1.039939 2.934186
sex 1.922431 .6364992 1.97 0.048 1.004676 3.678543
_cons .0506574 .033052 -4.57 0.000 .0141015 .1819783

6. Goodness of Fit
Click Menu: Statistics > Binary outcome > Postestimation > Goodness of Fit,
seperti gambar berikut.

Modul STATA Page 50

 Selanjutnya akan tampak sbb:

Click: Pearson or Hosmer-Lemeshow goodness of Fit

Click: Pearson goodness of fit
Click: Use all observations in the data
Click: OK, maka akan keluar hasil sbb:

Modul STATA Page 51

 . estat gof, all

Logistic model for CHD, goodness-of-fit test

number of observations = 200

number of covariate patterns = 12
Pearson chi2(7) = 10.32
Prob > chi2 = 0.1714

Analisis menggunakan Command

Command: logistic
Syntax : logistic <outcome> <exposure> <confounding>

Untuk kasus di atas:

Outcome variabe: CHD
Variabel bebas : obase
Confounding : sex dan klp_umur

Cara:

Ketik: logistic CHD obase sex klp_umur, pada kotak Command, maka hasilnya
adalah sbb:

. use "D:\ANALISIS BINARY OUTCOME\CHD DATA.dta", clear

. logistic CHD obase sex klp_umur

Logistic regression Number of obs = 200

LR chi2(3) = 22.49
Prob > chi2 = 0.0001
Log likelihood = -111.7622 Pseudo R2 = 0.0914

CHD Odds Ratio Std. Err. z P>|z| [95% Conf. Interval]

obase 3.288366 1.136157 3.45 0.001 1.67064 6.472577

sex 1.922431 .6364992 1.97 0.048 1.004676 3.678543
klp_umur 1.746819 .4622327 2.11 0.035 1.039939 2.934186

Hasil:
OR(adjusted odd ratio) obase adalah 3,288 (CI 95%: 1,670 – 6,472)

Catatan:
1. Pada Logistic Regresi risk ratio ditetukan dengan OR
2. Nilai OR akan selalu lebih besar dari PR bila PR > 1 dan akan lebih kecil bila
PR < 1.
3. Nilai OR sulit diiterpretasi dibandingan PR untuk penelitian cross-sectional

Modul STATA Page 52

MODUL 6
REGRESI POISSON DAN REGRESI COX

6.1 Pendahuluan
Regresi Poisson dipakai menganalisis rate ratio yaitu untuk mempekirakan rate
ratio antara kelompok terpapar dengan kelompok tidak terpapar. Kegunaan regresi
Poisson sama dengan regresi Cox yaitu dipakai untuk menganalis hubungan atau efek
beberapa variabel bebas kontinyus (interval) atau kategorikal terhadap rate suatu
kejadian. Akan tetapi berbeda halnya dengan Regresi Logistik yang dipakai untuk
memperkirakan Odd Ratio antara kelompok terpapar dengan kelompok kontrol.
Metode regresi poisson banyak dipakai menganalisis data penelitian longitudinal,
dimana pada penelitian tersebut dimungkinkan peneliti mengukur waktu terjadinya
kejadian yang diteliti, sehingga rate dapat dihitung.

6.2 Model
Pola umum dari model Regresi Poisson adalah mirip dengan model regresi
logistik dan model regresi linear berganda. Pada model regresi linear
memformulasikan hubungan antara satu variabel tergatung kontinyu Y dengan
beberapa variabel bebas/prediktor Xi yang berskala interval. Model regresi Poisson
memformulasikan hubungan antara beberapa variabel bebas kategorikal atau
konyinyu dengan Log (rate) terjadinya kejadian Y (binary). Sehingga model umum dari
regresi Poisson adalah:
Log (rate) = β0 + β1X1 + β2X2 + β3X3 + .....+ βkXk

Model tersebut juga dapat ditulis sbb:

Rate = exp(β0 + β1X1 + β2X2 + β3X3 + .....+ βkXk)

Keterangan:
β0 = log (rate) kelompok kontrol (unexposed) atau baseline group
βi = log (rate ratio) adalah rate rasio antara kelompok exposed dengan nonexposed
dari varaiabel prediktor ke i.
Xi = variabel prediktor ke i.

6.3 Pengitungan Rate Ratio

Seperti telah diraikan di atas, bahwa regresi Poisson dapat dipakai menghitung
perbedaan rate antau rate ratio antara kelompok terpapar dengan kelompok kontrol.
Seperti pada regersi Cox, rate ratio pada regersi Poisson dihitung dari antilog koefisien
regresi b, dengan formula sbb:
Rate kelompok terpapar (X1=1) = exp(b0 + b1X1) = Exp(b0 + b1), dan

Modul STATA Page 53

Rate kelompok kontrol (X1=0) = exp(b0 + b1X1) = Exp(b0), maka:

exp(b0 + b1)
Rate Ratio = ----------------------- = exp(b1)
exp(b0)

Jadi Rate Ratio variabel prediktor Xi = exp(bi)

Penghitungan Rate Ratio variabel kontinyu

Penghitungan rate ratio variabel kontinyu seperti misalnya umur dalam tahun
dilakukan dengan asumsi risk setiap penambahan satu unit umur konstan.
Misalnya rate ratio umur sebesar 1,117, berarti setiap umur bertambah 1 tahun,
risk akan bertambah 1,117 kali dibandingkan dengan baseline rate.

Pengitungan Rate Ratio variabel kategori yang memiliki kategori lebih dari dua
Bagaiamana menentukan rate ratio variabel merokok terhadap kejadian CHD
dimana variabel prediktor merokok mempuntai 3 kategori, yaitu: 1 = merokok
berat, 2 = merokok ringan, dan 3 = tidak merokok (baseline). Penghitungan rate
ratio dari setiap kategori paparan dilakukan dengan membuat rate ratio setiap
kategori dengan baseline. Yang dijadikan baseline adalah rate kelompok kontrol,
maka untuk menentukan rate ratio merokok berat dilakukan dengan
membandingkan rate merokok berat dengan rate tanpa merokok. Penghitungan
rate ratio merokok sedang dilakukan dengan membandingkan rate merokok
sedang dengan rate tanpa merokok. Pada semua paket statistik terdapat
prosedur untuk penentuan rate-ratio variabel karegori yang memiliki lebih dari 2
kategori dan akan diminta kategori yang akan dijadikan refrence atau baseline.

6.4 Prosedur STATA untuk Regresi Poisson

Prosedur Poisson regression dengan menu, adalah sbb:

1. Aktifkan prosedur poisson rgerssion dengan cara:

Click MENU: Statistics > Count outcomes > Poisson regression

Modul STATA Page 54

 2. Menentukan variabel independent
Clik tanda pada bagian belakang kotak “Dependent variabel”, lalu click
CHD, maka variabel CHD akan berada pada kotak “Dependent variable” sepeti
gambar di bawah ini.

3. Memilih variabel independent

Clik tanda pada bagian belakang kotak “Independent variabel”, lalu click
obase, sex, klp_umur, maka ketiga variabel tersebut akan berada pada kotak
“Independent variable” sepeti gambar di bawah ini.

Modul STATA Page 55

 4. Menentukan Exposure variable
Clik tanda pada bagian belakang kotak “Exposure variabel”, lalu click time,
maka variabel time akan berada pada kotak “Exposure variable” sepeti gambar
di bawah ini.

5. Report incidence rate ratio (irr)

Click Menu: Report > Report incidene rate ratio, seperti gambar di bawah ini.

Modul STATA Page 56

 6. Jalankan prosedur
Clik “OK”, maka akan tampak output sbb:

. poisson CHD cholesterolemia obase sex klp_umur, exposure(time) irr

Iteration 0: log likelihood = -119.25843

Iteration 1: log likelihood = -119.25777
Iteration 2: log likelihood = -119.25777

Poisson regression Number of obs = 200

LR chi2(4) = 28.35
Prob > chi2 = 0.0000
Log likelihood = -119.25777 Pseudo R2 = 0.1062

CHD IRR Std. Err. z P>|z| [95% Conf. Interval]

cholesterolemia 2.845994 .8945852 3.33 0.001 1.537003 5.26979

obase 2.000232 .5863675 2.36 0.018 1.126032 3.55312
sex 1.466572 .3761517 1.49 0.135 .8871233 2.424502
klp_umur 1.444524 .2983358 1.78 0.075 .963667 2.165321
_cons .0371981 .0213232 -5.74 0.000 .0120944 .1144085
ln(time) 1 (exposure)

7. Goodness of fit test

Caranya adalah:
Click menu: Statistics > count outcome > Goodnes-of- fit test after Poisson

Modul STATA Page 57

 Pilih Pearson goodness-of-fit test (Gof) seperti di bawah ini.

Click “OK” maka akan tampak output sbb:

. estat gof

Deviance goodness-of-fit = 116.5155

Prob > chi2(195) = 1.0000

Pearson goodness-of-fit = 118.2397

Prob > chi2(195) = 1.0000

Prosedur Poisson regression dengan Command

Modul STATA Page 58

 Prosedur regresi poisson pada program Stata dapat dijalanka dengan mengetik
command untuk regresi poisson dan juga dapat dijalankan dengan menggunakan
menu.

Menjalankan prosedur regresi poisson dengan command

Syntax

poisson depvar [indepvars] [if] [in] [weight] [, options]

command “poisson” diketik paling depan, diikuti dengan mengetik nama variabel
tergantung, dikuiti dengan semua nama variabel bebas kemudian ketik tanda
koma “,” dan ketik option.

option
exposure (time) à time variabel waktu pengamatan
level (99) à tingkat kepercayaan 99% atau 95%
irr à Incidence Rate Ratio

Contoh Kasus:
Variabel tergantung : chd
Exposure : time
Prediktor : obase (1=obse, 0=non obase)
hiperkolesterolemi (1=hyperkolesterol, 0=normal)
sex (1=laki. 0=perempuan)
age (interval)

Command Stata :

Poisson chd obase hiperkolesterolemi sex age, exposure (time) level (95) irr
Hasil analisisnya adalah sbb:

Poisson regression Number of obs = 200

LR chi2(4) = 27.61
Prob > chi2 = 0.0000
Log likelihood = -119.62794 Pseudo R2 = 0.1035

chd IRR Std. Err. z P>|z| [95% Conf. Interval]

obase 1.991227 .5849533 2.34 0.019 1.119611 3.541393

cholesterolemia 2.871875 .9037786 3.35 0.001 1.549861 5.321555
sex 1.467313 .376329 1.50 0.135 .8875865 2.425686
age 1.020545 .0133648 1.55 0.120 .994684 1.047079
_cons .0311334 .022501 -4.80 0.000 .0075516 .1283556
ln(time) 1 (exposure)

Interpretasi hasil :

LR chi-square = 27.61 dengan nilai p < 0,001

Modul STATA Page 59

 Hasil ini menunjukan bahwa terdapat pengaruh variabel prediktor terhadap
kejadian CHD

Pseudo R2 = 0,1035
R2 dari ke lima prediktor terhadap CHD sebesar 10,35%, berarti variasi rate
CHD hanya 10,35% ditentukan oleh kelima prediktor tersebut. Berarti 89% rate
CHD ditentukan oleh faktor lain selain ke lima prediktor yang dianalisis.

Incidene Rate Ratio

Incidence Rate Ratio setiap variabel prediktor menentukan hubungan antara
variabel prediktor dengan kejadian CHD. Dari hasil analisis terdapat dua dari
lima prediktor yang mempunyai pengaruh bermakna, yaitu obesitas dan
hiperkolesterolemia. IRR obase adalah 1,99 (CI 95%: 1,12 – 3,54) dengan nilai
p = 0,019. IRR pada orang obase 1,99 kali lebih tinggi dari nonobase. IRR
hiperkolesterolemi sebesar 2,87 (CI 95%: 1,55 – 5,32) dengan nilai p = 0,001.
Berarti orang hiperkolesterol memilki risiko CHD 2,87 kali lebih tinggi dari yang
tidak hiperkolesterol. Sedangkan gender dan umur tidak berpengaruh.

Goodness of Fit Test

Goodness of Fit test dipakai menguji apakah data fit dengan model regresi
poisson. Goodness of Fit Test menguji perbedaan hasil observasi dengan nilai
perkiraan menurut model. Apabila nilai hasil observasi sama dengan nilai hasil
perkiraan model maka data dinyatakan fit dengan model. Sebaliknya, bila data
observasi berbeda secara bermakna dengan hasil estimasi model, maka data
dinyatakan tidak fit dengan model.

Commad Stata untuk Goodness of Fit Test:

Syntak
poisgof

Catatan:
Command “poisgof” dapat dieksekusi bila command regresi poisson (“poisson”)
sudah dijalankan.

Contoh:
. poisgof

Deviance goodness-of-fit = 117.2559

Prob > chi2(195) = 1.0000

Pearson goodness-of-fit = 117.7075

Prob > chi2(195) = 1.0000

Interpretasi Hasil

Goodness of Fit Chi-square = 117,707 dengan nilai p = 1,0. Hasil ini menjunjukan
bahwa data fit dengan model regresi poisson karena p > 0,05.

Modul STATA Page 60

6.5 Prosedur STATA untuk regresi COX
Langkah 1:
Membuat memory variable time (person-years) dan status end point 1=end point
dan 0 = censored

Command: stset
Syntax : stset <time>, failure (outcome)

Bila akan dinalisis hubungan antara obase dengan CHD dimana CHD = 1 adalah
status end point dan CHD = 0 adalah censored dan time adalah waktu
pengamatan, maka command untuk pembuatan variabel memory adalaah:

.stset time, failure(CHD)

Langkah 2:
Membuat prosedur regresi cox

Command: stcox
syntax : stcox <var1> <var2> <var3> , noshow nolog
dimana: var1, var2, var3 adalah variabel prediktor.

Contoh:
Bila akan dianalisis hubungan antara obase, sex dengan CHD, maka command
Cox regression adalah:

. stcox obase sex, noshow nolog

Modul STATA Page 61

DAFTAR PUSTAKA

Barros AJD, Hirakata VN. 2003. Alternatives for logistic regression in cross-
sectional studies: an emperical comparasion of models that directly
estimate the prevalence ratio, BMC Medical Research Methodology.
Available from: http://www.biomedicalcentral.com/[471-2288/3/21]

Coutinho MS, Scazufca M, Menezez PR. 2008. Methods for estimating prevalence
ratio in cross-sectional studies, Rev Saude Publica; 42 (6).

Daniel W.W. 1999. Biostatistics: A Foundation for Analysis In The Health

Sciences. Seventh Edition, John Wiley & Sons, New Yrok.

Hamilton L.C. 2009. Statistic with Stata, Versi 10. Brooks/Cole, Canada.

Kirkwood B.R, Stern J.A.C. 2000. Medical Statistics, Snd Edition, Blackwell,
Melbourne.

Lee J, Tan CS, Chia KS. A Practical Guide for Multivariate Analysis of
Dichotomous Outcomes. Ann Acad Med Singapore 2009; 38:714-9

Nurminen M. 1995. To use or not to use the odd ratio in epidemiologic studies?,
European Journal of Epidemiology 1995; 11: 365-371.

Reichenheim ME, Coutinho ESF. 2010. Measures and models for causal inference
in cross-sectional studies: arguments for the appropiateness of the
prevalence odds ratio and related logistic regression. Available from:
http://www.biomedicalcentral.com/[471-2288/10/66]

StataCorp. 2013. Stata Glossary and Index: Release 13. Statistical Software.
College Station, TX: StataCorp LP.

Thompson M.L, Myers J.E, Kribel D. 1998. Prevalence odd ratio or prevalence
ratio in the analysiss of cross sectional data: what is to be done?, Occup
Environ Med 1998; 55: 272-277.

Modul STATA Page 62