TUGAS INDIVIDU

Mata Kuliah : Biostatistik Lanjut

Dosen : Prof. Dr. dr. HM Tahir Abdullah, M.Sc., MSPH

“TUGAS ANALISIS REGRESI LINIER”

DISUSUN OLEH:
ADE TRIANSYAH
K012181162

PEMINATAN KESEHATAN REPRODUKSI

PROGRAM STUDI ILMU KESEHATAN MASYARAKAT
PROGRAM PASCASARJANA
UNIVERSITAS HASANUDDIN
MAKASSAR
2018
1. Berikut buatlah simple linear regressi antara hb dengan berat lahir bayi
berdasarkan data berikut :
No. HB (X) Berat Lahir Bayi (Y) No. HB (X) Berat Lahir Bayi (Y)
1 10,2 2300 50 12,0 2200
2 11,2 2100 51 10,8 2000
3 10,6 1950 52 11,6 2300
4 11,2 2300 53 10,0 2000
5 9,8 2400 54 10,4 2000
6 10,2 2300 55 10,0 2200
7 13,4 2060 56 11,8 2370
8 8,4 1800 57 8,6 2000
9 11,6 2400 58 9,8 2000
10 10,0 2200 59 8,4 2100
11 10,6 1800 60 11,6 2400
12 10,4 2400 61 10,4 2475
13 10,4 2300 62 9,8 2200
14 11,6 2100 63 10,6 2400
15 9,4 2400 64 10,6 2400
16 7,4 2300 65 10,0 2400
17 9,2 2420 66 9,8 2400
18 13,8 2100 67 11,0 2200
19 9,6 1800 68 10,6 2400
20 10,2 2000 69 9,8 2170
21 11,2 2400 70 12,2 2400
22 10,0 2300 71 11,8 2400
23 9,6 2200 72 10,4 2400
24 10,6 2400 73 10,0 2000
25 10,2 2000 74 12,0 2400
26 10,2 2000 75 10,0 2100
27 12,8 2000 76 9,4 2400
28 8,4 2000 77 10,0 2400
29 8,8 2100 78 12,2 3900
30 12,8 2300 79 13,4 2600
31 9,0 2300 80 11,6 3200
32 10,4 2000 81 13,8 3700
33 11,4 2200 82 13,6 3600
34 10,2 2300 83 13,8 3300
35 15,8 2000 84 13,6 3400
36 8,6 2000 85 12,4 2600
37 9,8 2100 86 13,2 3100
38 13,2 1800 87 12,2 3700
39 10,6 2000 88 13,8 2700
40 9,2 1900 89 11,8 3000
41 10,0 2200 90 12,0 3000
42 9,6 2400 91 11,8 3000
43 12,8 1900 92 11,8 3000
44 10,0 2100 93 11,4 3100
45 10,2 2300 94 14,4 3000
46 9,9 2000 95 12,6 3200
47 9,4 2000 96 9, 8 2600
48 11,9 2100 97 11,6 2800
49 14,4 2400 98 14,4 3000
No. HB (X) Berat Lahir Bayi (Y) No. HB (X) Berat Lahir Bayi (Y)
99 12,2 3000 127 13,8 3100
100 7, 2 2800 128 11,2 2800
101 9,4 3600 129 11,6 2700
102 12,9 3000 130 10,6 2900
103 11,4 3800 131 9,8 2800
104 11,4 3700 132 10,2 3000
105 9,4 3000 133 9,2 3600
106 8,8 2600 134 15,8 2900
107 11,8 3100 135 15,8 3800
108 11,6 3700 136 11,4 2800
109 10,6 3800 137 11,8 3400
110 12,4 3200 138 10,6 3200
111 13,2 3900 139 9,4 2900
112 14,4 2700 140 10,2 2800
113 10,4 2800 141 11,0 3100
114 9,9 2800 142 13,2 3200
115 11,4 3100 143 11,2 3100
116 11,2 2800 144 11,4 2900
Berdasarkan uji regresi linier sederhana dengan menggunakan SPSS
didapatkan hasil uji sebagai berikut :
a.
Model Summary

Std. Error of the

Model R R Square Adjusted R Square Estimate

1 .325a .105 .099 531.685

a. Predictors: (Constant), Kadar Hb

Interpretasi :
Hasil pada tabel Model Summary diperoleh nilai koefisien determinasi
atau R Square (R2) = 0,105. Nilai ini menunjukkan bahwa sumbangan atau
pengaruh variable kadar HB terhadap naik turunnya Berat Lahir Bayi
adalah sebesar 10,5 %. Sisanya 89,5% disebabkan oleh faktor lain yang
tidak dimasukkan dalam model. Pada tabel ini yang digunakan adalah R
Square karena regresi sederhana.

b.
ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 5058225.382 1 5058225.382 17.893 .000b

Residual 42968641.014 152 282688.428

Total 48026866.396 153

a. Dependent Variable: Berat Lahir Bayi

b. Predictors: (Constant), Kadar Hb

 Interpretasi :
Berdasarkan tabel ANOVA diperoleh hasil yang dapat digunakan untuk
mengetahui apakah variabel independen secara bersama-sama
berpengaruh secara signifikan terhadap variabel dependen (Y). atau
sebagai uji ketepatan model, apakah nilai prediksi mampu
menggambarkan kondisi sesungguhnya (good of fit). Pada tabel ini
diperoleh nilai F-hitung sebesar 17,893 dengan nilai p 0,000 (p<0,05),
maka model persamaan yang diperoleh adalah baik (good of fit).

c.
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 1494.353 278.730 5.361 .000

Kadar Hb 103.966 24.578 .325 4.230 .000

a. Dependent Variable: Berat Lahir Bayi

Interpretasi :
Berdasarkan hasil pada tabel Coefficients diperoleh nilai
Unstandardized Coefficients (Bo) = 1494,353 dan nilai B1 = 103,966.
Sehingga model regresi sederhana yang diperoleh adalah :
Y = Bo + B1X atau
Y = 1494,353 + 103,966 X atau
Berat Lahir Bayi = 1494,353 + 103,966 (Kadar HB)
Besar pengaruh kadar HB terhadap berat lahir bayi = 0,325 dengan
nilai p = 0,000 (p<0,05), maka dapat disimpulkan bahwa ada pengaruh
kadar HB terhadap berat lahir bayi.
Dari model ini diperoleh koefisien regresi bernilai positif artinya semakin
tinggi kadar HB maka berat lahir bayi akan semakin besar.
2. Buatlah multiple regressi antara berat lahir bayi dengan hb, lla, umur ibu, dan
jumlah anak.
Jawab :
Dapat dibuat perhitungan Multiple Regresi melalui program SPSS
berdasarkan data berikut :

No Berat Lahir Hb LiLA Umur Ibu Jumlah Anak

1 2300 10,2 22 41 5
2 2100 11.2 23 33 3
3 1950 10,6 22 35 4
4 2300 11,2 25 26 1
5 2400 9,8 23 28 2
6 2300 10,2 26 35 5
7 2060 13,4 22 36 3
8 1800 8,4 24 22 1
9 2400 11,6 23 37 1
10 2200 10,0 25 21 1
11 1800 10,6 22 20 2
12 2400 10,4 22 25 2
13 2300 10,4 25 44 3
14 2100 11,6 20 30 3
15 2400 9,4 26 30 2
16 2300 7,4 21 18 1
17 2420 9,2 23 19 1
18 2100 13,8 26 20 1
19 1800 9,6 23 18 1
20 2000 10,2 25 37 3
21 2400 11,2 23 31 3
22 2300 10,0 25 18 1
23 2200 9,6 23 19 1
24 2400 10,6 22 30 2
25 2000 10,2 23 28 2
26 2000 10,2 24 25 2
27 2000 12,8 23 28 2
28 2000 8,4 23 18 1
29 2100 8,8 22 30 4
30 2300 12,8 23 34 3
31 2300 9,0 22 24 1
32 2000 10,4 21 17 1
33 2200 11,4 25 33 1
34 2300 10,2 23 22 1
35 2000 15,8 23 37 1
36 2000 8,6 24 27 3
37 2100 9,8 23 25 1
38 1800 13,2 22 32 2
39 2000 10,6 23 30 3
40 1900 9,2 23 28 2
41 2200 10,0 20 24 1
42 2400 9,6 24 26 2
43 1900 12,8 21 28 2
44 2100 10,0 22 27 2
45 2300 10,2 22 35 2
46 2000 9,9 23 30 4
47 2000 9,4 23 29 3
48 2100 11,9 24 33 1
49 2400 14,4 23 30 1
50 2200 12,0 23 25 2
51 2000 10,8 23 30 3
52 2300 11,6 23 30 4
53 2000 10,0 22 30 3
54 2000 10,4 22 19 1
55 2200 10,0 23 24 1
56 2370 11,8 26 25 1
57 2000 8,6 21 30 3
58 2000 9,8 22 17 2
59 2100 8,4 21 36 3
60 2400 11,6 23 33 3
61 2475 10,4 22 26 2
62 2200 9,8 22 25 2
63 2400 10,6 24 28 2
64 2400 10,6 23 18 1
65 2400 10,0 20 19 1
66 2400 9,8 23 27 1
67 2200 11,0 22 32 1
 68 2400 10,6 22 17 1
69 2170 9,8 23 25 2
70 2400 12,2 23 26 1
71 2400 11,8 24 24 2
72 2400 10.4 23 22 2
73 2000 10,0 22 18 2
74 2400 12,0 21 23 1
75 2100 10,0 22 30 3
76 2400 9,4 21 35 6
77 2400 10,0 23 19 3
78 3900 12,2 28 26 2
79 2600 13,4 23 24 3
80 3200 11,6 21 30 4
81 3700 13,8 26 31 2
82 3600 13,6 23 37 3
83 3300 13,8 23 33 3
84 3400 13,6 26 21 1
85 2600 12,4 26 32 2
86 3100 13,2 21 24 2
87 3700 12,2 28 28 3
88 2700 13,8 24 22 1
89 3000 11,8 24 26 2
90 3000 12,0 24 29 2
91 3000 11,8 23 31 4
92 3000 11,8 30 28 2
93 3100 11,4 21 24 2
94 3000 14,4 25 20 1
95 3200 12,6 22 34 2
96 2600 9, 8 24 27 1
97 2800 11,6 21 22 1
98 3000 14,4 23 19 1
99 3000 12,2 24 19 1
100 2800 7, 2 20 17 1
101 3600 9,4 26 25 1
102 3000 12,9 23 18 1
103 3800 11,4 23 23 2
104 3700 11,4 30 30 2
105 3000 9,4 30 29 3
106 2600 8,8 24 24 1
107 3100 11,8 27 37 3
108 3700 11,6 24 20 1
109 3800 10,6 27 25 2
110 3200 12,4 23 21 1
111 3900 13,2 25 38 3
112 2700 14,4 27 40 3
113 2800 10,4 23 29 1
114 2800 9,9 21 19 1
115 3100 11,4 23 28 2
116 2800 11,2 24 26 2
117 3300 10,4 31 31 2
118 2900 16,2 22 30 3
119 3300 11,8 24 23 2
120 3900 8,0 22 32 3
121 3700 11,6 30 26 3
122 3400 10,4 26 25 2
123 3200 10,6 29 25 2
124 3000 8,2 23 23 2
125 3200 12,8 23 28 2
126 3400 11,4 26 30 2
127 3100 13,8 23 23 2
128 2800 11,2 24 20 1
129 2700 11,6 26 35 3
130 2900 10,6 21 25 1
131 2800 9,8 24 24 1
132 3000 10,2 22 25 1
133 3600 9,2 25 23 1
134 2900 15,8 24 20 1
135 3800 15,8 25 20 1
136 2800 11,4 21 18 1
137 3400 11,8 25 28 2
138 3200 10,6 26 23 1
139 2900 9,4 24 32 4
140 2800 10,2 25 22 1
141 3100 11,0 29 19 1
 142 3200 13,2 30 22 2
143 3100 11,2 22 30 2
144 2900 11,4 29 39 6
145 2700 12,8 22 20 1
146 3900 13,2 25 26 1
147 2700 11,8 23 25 1
148 3000 12,4 29 30 2
149 2600 12,0 25 19 1
150 3500 10,2 24 21 1
151 2700 11,9 25 34 3
152 2800 15,4 23 27 2
153 3200 14,2 30 34 2
154 3000 13,8 22 27 3

Maka dapat dibuatkan perhitungan melalui program SPSS sebagai berikut :

Model Summary

Std. Error of the

Model R R Square Adjusted R Square Estimate
a
1 .529 .280 .261 481.641

a. Predictors: (Constant), Jumlah_Anak, Hb, LiLA, Umur

Output pada table Model Summary memberikan nilai Adjusment R Square

sebesar 26%. Sisanya 73,9% disebabkan oleh faktor yang tidak dimasukkan dalam
model. Pada table ini digunakan adalah Adjusted R Square karena regresi linier
berganda.

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 13462119.469 4 3365529.867 14.508 .000b

Residual 34564746.927 149 231978.167

Total 48026866.396 153

a. Dependent Variable: Berat_Lahir

b. Predictors: (Constant), Jumlah_Anak, Hb, LiLA, Umur
 Output pada table Anova tampak bahwa nilai F-Hitung pada model penelitian
adalah sebesar 14,508 dengan nilai p sebesar 0,000 lebih kecil dari 0,05, maka dapat
disimpulkan bahwa variable Jumlah Anak, Hb, dan Status Gizi Ibu Hamil (LiLA)
mempunyai pengaruh simultan yang signifikan terhadap berat bayi.

Output pada table Coefficients diperoleh nilai Unstandardized Coefficients

(Bo) = -386.661, nilai B1 = 86,506, B2 = 102,117, B3= -14,604, dan B4=20,339.
Namun dari ke empat Variabel Independen hanya variable LiLA dan HB yang memiliki
nilai p = 0,000 < 0,05. Ini dapat disimpulkan bagwa hanya variable Hb dan LiLA yang
memiliki pengaruh terhadap Berat Lahir. Sehingga model regresi yang diperoleh
adalah :
Y = -386.661 – 86,506 X atau Berat Lahir = -386.661 – 86,506 (Kadar Hb)
Y = -386.661 – 102,117 X atau Berat Lahir = -386.661 – 102,117 (LiLA)
Besar pengaruh kadar Hb terhadap Berat Lahir Bayi adalah = 0,270, dan LiLA
adalah sebesar 0,422. Dari model ini diperoleh regresi bernilai positif, yakni memiliki
makna semakin besar Hb dan LiLA, semakin besar Berat Lahir Bayi.

3. Buatlah logistik regressi antara berat lahir bayi dengan hb, lla, umur ibu, dan
jumlah anak. Pada data Berat Lahir Bayi dikategorikan menjadi 1= (<2500gr) dan
2 = (>2500gr) Berdasarkan data diatas, dibuatlah perhitungan Regresi Logistik
menggunakan SPSS sebagai berikut :

Model Summary
 Cox & Snell R Nagelkerke R
Step -2 Log likelihood Square Square
a
1 163.317 .278 .371

a. Estimation terminated at iteration number 5 because parameter

estimates changed by less than .001.

Output pada table Model Summary di atas, dapat dilihat bahwa R Square
adalah sebesar 27,8% (Cox & Snell) dan Nagelkerke R Square sebesar 38,1%
(Nagelkerke).
Dengan demikian, dapat ditafsirkan bahwa proporsi varians Hb, LiLA, Usia
Ibu dan Jumlah anak adalah sebesar 37,1% .

Hosmer and Lemeshow Test

Step Chi-square df Sig.

1 8.509 8 .385

Output pada Hosmer and Lemeshow Test didapatkan nilai uji Chi Square yang
digunakan adalah 8,509 dengan nilai p = 0,385. Maka nilai ini diterima hipotesis nol
dengan hipotesis berikut :

Ho : Model telah cukup menjelaskan data (Godness of fit)

Ha : Model tidak cukup menjelaskan data

Sehingga dapat diperoleh nilai p = 0,385 > 0,05, maka dapat disimpulkan
kasus diatas telah cukup menjelaskan data.
 Output pada table Variables in the Equation ini merupakan table utama dari
hasil analisis data dengan menggunakan regresi logistic. Berdasarkan table Variables
in the Equation nilai Constant (Bo) = -14,286, nilai koefisien regresi logistic untuk
variabel independent Hb (B1) = 0,527, LiLA (B2) = 0,462, Umur Ibu (B 3) = -0,105, dan
Jumlah Anak (B4) = 0,147. Nilai p masing-masing dari variabel independen adalah Hb
= 0,00, LiLA = 0,00, Umur Ibu = 0,023, Jumlah Anak = 0,552. Dengan memperhatikan
nilai p, maka variabel Hb, Lila dan umur yang memiliki nilai p < 0,05. Ini berarti
variabel tersebut memiliki pengaruh terhadap Berat Lahir Bayi. Sehingga model
persamaan regresi logistic yang terbentuk adalah sebagai berikut :

1
f (z) = −(Bo +B 1 X 1 +B 2 X 2 +B 3 X 3 )
1+ ⅇ
−(−14,286+0,527 Kadar Hb+ (−0,105 ) umur ibu+0,462 lila)
f (z) = 1
¿
1+ ⅇ¿

Hasil persamaan regresi logistik tidak bisa langsung diinterpretasikan dari

nilai koefisiennya seperti dalam regresi linier biasa. Interpretasi biasa dilakukan
dengan melihat nilai exp (B) = OR atau nilai eksponen dari koefisien persamaan
regresi yang terbentuk.
- Nilai OR dari kadar Hb adalah sebesar 1,693 yang artinya setiap
peningkatan 1 satuan pada kadar Hb akan mengubah OR sebesar 1,693
kali.
 - Nilai OR dari LiLA adalah sebesar 1,587 yang artinya setiap peningkatan 1
satuan lila akan mengubah OR sebesar 1,587 kali.
- Nilai OR dari umur ibu adalah sebesar 0,9 yang artinya setiap peningkatan
1 satuan umur ibu akan mengubah OR sebesar 0,9 kali.

4. Buat regressi diagnostik pada soal no.2 Diagnostik regresi dilakukan melalui uji
asumsi yang terdiri dari :
a. Uji Asumsi Linieritas
Uji asumsi linieritas adalah untuk mengetahui apakah antara variabel
independen dengan variabel dependen ada hubungan linier. Pada kasus
tersebut, berikut uji asumsi linieritas menggunakan program SPSS

1. Kadar Hb terhadap Berat Lahir Bayi

Berdasarkan tabel Anova diperoleh nilai p untuk linearity kadar Hb terhadap

berat lahir bayi p = 0,000 (p<0,05), maka dapat disimpulkan bahwa terdapat
hubungan linier antara variabel kadar Hb dengan berat lahir bayi.

2. LiLA terhadap Berat Lahir Bayi

Berdasarkan table Anova diperoleh nilai p untuk linieritas adalah 0,00

(p<0,05), maka dapat disimpulkan bahwa terdapat hubungan linieritas antara
variable LiLA terhadap Berat Lahir Bayi
 3. Umur Ibu terhadap Berat Lahir Bayi

Berdasarkan table Anova diperoleh nilai p untuk linieritas adalah 0,729

(p>0,05), maka dapat disimpulkan bahwa tidak terdapat hubungan linieritas antara
variable umur ibu terhadap Berat Lahir Bayi.

4. Jumlah Anak terhadap Berat Lahir Bayi

Berdasarkan table Anova diperoleh nilai p untuk linieritas adalah 0,549

(p>0,05), maka dapat disimpulkan bahwa tidak terdapat hubungan linieritas antara
variable jumlah anak terhadap Berat Lahir Bayi.

b. Uji Asumsi Normalitas

Uji asumsi normalitas pada regresi linier adalah untuk mengetahui apakah
residual dalam model terdistribusi normal. Berikut uji asumsi normalitas
dengan menggunakan program SPSS sebagai berikut :
 Berdasarkan tabel One-Sample Kolmogorov-Smirnov Test diperoleh nilai p
untuk uji Kolmogorov-Smirnov = 0,001 (<0,05), maka dapat disimpulkan :
residu terdistribusi tidak normal.

c. Uji Asumsi Multikolinieritas

Terdapat beberapa cara untuk menentukan apakah suatu model memiliki
gejala multikolinieritas, pada data ini akan digunakan uji VIF. Uji VIF sangat
mudah yaitu hanya melihat apakah nilai VIF untuk masing-masing variabel
lebih besar dari 10 atau tidak. Jika nilai VIF lebih besar dari 10, maka
diindikasikan bahwa model tersebut memiliki gejala multikolinieritas. Berikut
uji asumsi multikolinieritas dengan menggunakan program SPSS

Berdasarkan tabel Coefficients diperoleh nilai VIF untuk variabel kadar Hb

= 1,080, umur ibu = 1,851, jumlah anak = 1,794, dan lila = 1,053. Keempat
variabel memiliki nilai VIF < 10 sehingga dapat disimpulkan tidak terdapat
gejala multikolinieritas pada model dalam penelitian ini.

d. Uji Asumsi Autokorelasi

Uji autokorelasi merupakan pengujian asumsi residual yang memiliki korelasi
pada periode ke-t dengan periode sebelumnya (t-1). Statistik uji yang sering
digunakan adalah Durbin-Watson (DW Test).
Hipotesis yang digunakan sebagai berikut
Ho : ρ = 0 : tidak ada autokorelasi positif atau negatif
Ha : ρ ≠ 0 : ada autokorelasi positif atau negative
Kriteria keputusan : Ho ditolak jika nilai Durbin-Watson d < du atau d > (4-du)
atau hipotesis Ho diterima jika du < d < 4-du.
Berikut uji asumsi autokorelasi dengan menggunakan SPSS :
 Berdasarkan tabel Model Summary diperoleh nilai Durbin-Watson d = 1,257
dan nilai batas atas tabel Durbin-Watson pada tabel dengan n = 15, k = 1 dan
α=0,05 adalah du = 1,3605. Karena nilai Durbin-Watson tidak berada antara
1,3605 dan 2,6395 (4-du) (1,257 < 1,3605). Maka dapat disimpulkan bahwa
model terjadi autokorelasi.

e. Uji Asumsi Homoskedastisitas

Uji ini dipergunakan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan varians dari residual satu pengamatan ke pengamatan lainnya.
Jika varians dari residual satu pengamatan ke pengamatan lainnya tetap, hal
ini disebut sebagai homoskedastisitas. Uji statistik yang sering digunakan
untuk menentukan apakah suatu model terbebas dari heteroskedastisitas
atau tidak, adalah uji White, uji Park, dan uji Glejser. Pada kesempatan ini
akan digunakan uji Glejser. Uji Glejser secara umum dinotasikan sebagai
berikut :
|ⅇ| b0 + b1x1 + e dimana = nilai mutlak residual.
Apabila variabel independen (x) secara statistik signifikan mempengaruhi
residual maka dapat dipastikan model memiliki masalah heteroskedastisitas.
Berikut merupakan Uji Asumsi Homoskedastisitas dengan menggunakan
program SPSS
 Berdasarkan tabel Coefficient diperoleh nilai p untuk variabel kadar Hb p =
0,702, umur ibu p = 0,895, jumlah anak p = 0,864, lila p = 0,938. Dari 4 variabel
tersebut mempunyai nilai p > 0,05, maka dapat disimpulkan model bebas dari
masalah heteroskedastisitas.