Anda di halaman 1dari 16

MAKALAH BIOSTATISTIK

“ANALISIS MULTIVARIAT”

OLEH
KELAS B11-A
KELOMPOK 5

1. NI MADE SRI DAMAYANTI 183222936


2. NI MADE WIDIADNYANI 183222937
3. NI MADE YUNI ANTARI 183222938
4. NI PUTU AYU SWASTININGSIH 183222939
5. NI PUTU EKA PRADNYA KARTINI 183222940
6. NI PUTU ITA MARTARIANI 183222941
7. NI PUTU NICK TRI DANYATI 183222942
8. NI PUTU RISKI DAMAYANTI 183222943

PROGRAM STUDI S1 ILMU KEPERAWATAN


STIKES WIRA MEDIKA PPNI BALI
2019

i
KATA PENGANTAR
Om Swastyastu
Puji syukur kami panjatkan kepada Tuhan Yang Maha Esa karena telah memberikan
rahmat dan karunia-Nya kepada kami sehingga kami mampu menyelesaikan makalah
ini yang berjudul “Analisis Multivariat” ini tepat pada waktunya. Adapun makalah ini
merupakan salah satu tugas Biostatistik.
Dalam menyelesaikan penulisan makalah ini, kami mendapat banyak bantuan
dari berbagai pihak dan sumber.Karena itu kami sangat menghargai bantuan dari
semua pihak yang telah memberi kami bantuan dukungan juga semangat, buku-buku
dan beberapa sumber lainnya sehingga tugas ini bisa terwujud.Oleh karena itu,
melalui media ini kami sampaikan ucapan terima kasih kepada semua pihak yang
telah membantu pembuatan makalah ini.
Kami menyadari bahwa makalah ini masih banyak kekurangannya dan jauh
dari kesempurnaan karena keterbatasan kemampuan dan ilmu pengetahuan yang kami
miliki. Maka itu kami dari pihak penyusun sangat mengharapkan saran dan kritik
yang dapat memotivasi saya agar dapat lebih baik lagi dimasa yang akan datang.

Om Santih, Santih, Santih Om

Denpasar, Februari 2019

Penulis

ii
DAFTAR ISI

KATA PENGANTAR............................................................................................ ii

DAFTAR ISI............................................................................................................ iii

BAB I PENDAHULUAN

1.1 Latar Belakang.................................................................................................. 1

1.2 Rumusan Masalah............................................................................................. 2

1.3 Tujuan.............................................................................................................. 2

BAB II PEMBAHASAN

2.1 Analisis Multivariat........................................................................................... 3

2.2 Regresi Linier.................................................................................................... 3

2.3 Regresi Logistik................................................................................................ 6

BAB III PENUTUP

3.1 Simpulan......................................................................................................... 10

3.2 Saran............................................................................................................... 10

DAFTAR PUSTAKA…………………………………………………………. 12

iii
iv
BAB I
PENDAHULUAN

1.1 Latar Belakang


Analisis multivariat merupakan salah satu teknik statistik yang digunakan
untuk memahami struktur data dalam dimensi tinggi. Variabel-variabel itu saling
terkait satu sama lain. Disinilah letak perbedaan antara multivariabel dan
multivariat. Multivariat pasti melibatkan multivariabel tetapi tidak sebaliknya.
Multivariabel yang saling berkorelasilah yang dikatakan multivariat.
Analisis multivariat merupakan analisis lanjutan dari analisis univariat
maupun bivariat. Secara ilmiah, untuk menjelaskan penomena sosial perlu
dilakukan percobaan dengan pengumpulan dan analisis data. Analisis data yang
dikumpulkan dari pengamatan atau percobaan akan menghasilkan modifikasi
penjelasan dari penomena tersebut. Selama dalam masa percobaan tersebut, sering
kali akan terjadi penambahan dan pengurangan variabel.
Dengan demikian, maka akan timbullah masalah yang semakin komplek
sehingga dibutuhkan lebih banyak variabel yang berbeda. Karena dalam data akan
terdapat pengaruh beberapa variabel terhadap variabel lainnya dalam waktu yang
bersamaan.Analisis multivariat merupakan pengembangan lanjutan dari analisis
univariat maupun bivariat. Analisis multivariat berasal dari
kata multi danvariate, yang artinya analisis lebih dari dua variabel. Dengan
demikian, analisis multivariat merujuk kepada teknik statistika tertentu yang
menganalisis banyak variabel secara simultan.
Contoh dari analisis multivariat adalah Structural Equation Model (SEM).
SEM merupakan pengembangan lanjut dari analisis regresi. SEM dikembangkan
untuk menjelaskan hubungan yang komplek antar variabel. Sedangkan regresi
bertujuan hanya untuk menjelaskan hubungan tunggal antar variabel.Variabel di
dalam analisis multivariat dapat diklasifikasikan sebagai variabel dependen
(dependent variable) dan variabel independen (independent variable). Variabel
dependen adalah variabel yang nilainya ditentukan oleh variabel lain yaitu variabel

1
independen. Sedangkan variabel independen adalah variabel yang digunakan untuk
mengestimasi atau memprediksi nilai variabel lain yaitu variabel dependen.

1.2 Rumusan Masalah


1.2.1 Bagaimana analisis multivariat?
1.2.2 Bagaimana regresi linier?
1.2.3 Bagaimana regresi logistik?
1.3 Tujuan
1.3.1 Untuk mengetahui analisis multivariat
1.3.2 Untuk mengetahui regresi linier
1.3.3 Untuk mengetahui regresi logistik
1.4 Manfaat
1.4.1 Bagi Mahasiswa Keperawatan
Makalah ini bisa bermanfaat bagi mahasiswa keperawatan untuk menambah
ilmu pengetahuan tentang konsep menua dapat digunakan sebagai refrensi tambahan
untuk mengetahui kesehatan di Indonesia.
1.4.2 Bagi Institusi Pendidikan
Makalah ini dapat bermanfaat sebagai refrensi di Institusi Pendidikan dan
sebagai bahan bacaan tentang Analisis Multivariat.

2
BAB II
PEMBAHASAN
2.1 Analisis Mutlivariat
Analisis statistik multivariat merupakan metode statistik yang memungkinkan
kita melakukan penelitian terhadap lebih dari dua variable secara bersamaan.Dengan
menggunakan teknik analisis ini maka kita dapat menganalisis pengaruh beberapa
variable terhadap variabel – (variable) lainnya dalam waktu yang bersamaan.Contoh
kita dapat menganalisis pengaruh variable kualitas produk, harga dan saluran
distribusi terhadap kepuasan pelanggan. Contoh yang lain, misalnya pengaruh
kecepatan layanan, keramahan petugas dan kejelasan memberikan informasi terhadap
kepuasan dan loyalitas pelanggan. Analisis multivariat digunakan karena pada
kenyataannnya masalah yang terjadi tidak dapat diselesaikan dengan hanya
menghubung-hubungkan dua variable atau melihat pengaruh satu variable terhadap
variable lainnya.Sebagaimana contoh di atas, variable kepuasan pelanggan
dipengaruhi tidak hanya oleh kualitas produk tetapi juga oleh harga dan saluran
distribusi produk tersebut.

2.2 Regresi Linier


Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel
yang mempengaruhi sering disebut variabel bebas, variabel independen atau variabel
penjelas.Variabel yang dipengaruhi sering disebut dengan variabel terikat atau
variabel dependen.Regresi linier seperti yang kita ketahui tidak dapat menyelesaikan
kasus dimana variabel dependent bersifat dikotomi dan kategori dengan dua atau
lebih kemungkinan (ex. sukses atau Gagal; terpilih atau tidak terpilih; lulus atau tidak
lulus; melakukan pembelian atau tidak; mendapat promosi atau tidak, dan lain-lain).

Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana
yaitu dengan satu buah variabel bebas dan satu buah variabel terikat; dan regresi
linear berganda dengan beberapa variabel bebas dan satu buah variabel
terikat.Analisis regresi linear merupakan metode statistik yang paling jamak

3
dipergunakan dalam penelitian-penelitian sosial, terutama penelitian
ekonomi. Program komputer yang paling banyak digunakan adalah SPSS (Statistical
Package For Service Solutions).

2.2.1 Regresi Linear Sederhana

Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh


antara satu buah variabel bebas terhadap satu buah variabel terikat. Persamaan
umumnya adalah:

Y = a + b X.

Dengan Y adalah variabel terikat dan X adalah variabel bebas. Koefisien a


adalah konstanta (intercept) yang merupakan titik potong antara garis regresi dengan
sumbu Y pada koordinat kartesius.

Langkah penghitungan analisis regresi dengan menggunakan program SPSS


adalah: Analyse –> regression–> linear. Pada jendela yang ada, klik variabel terikat
lalu klik tanda panah pada kota dependent. Maka variabel tersebut akan masuk
ke kotak sebagai variabel dependen. Lakukan dengan cara yang sama untuk variabel
bebas (independent). Lalu klik OK dan akan muncul output SPSS.

2.2.2 Regresi Linear Berganda

Analisis regresi linear berganda sebenarnya sama dengan analisis regresi


linear sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya
adalah:

Y = a + b1 X1 + b2 X2 + …. + bn Xn.

Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a


adalah konstanta (intersept) dan b adalah koefisien regresi pada masing-masing
variabel bebas.

4
Interpretasi terhadap persamaan juga relatif sama, sebagai ilustrasi, pengaruh
antara motivasi (X1), kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan
kerja (Y) menghasilkan persamaan sebagai berikut:

Y = 0,235 + 0,21 X1 + 0,32 X2 + 0,12 X3

1. Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan


kepemimpinan tetap, maka kepuasan kerja juga akan meningkat
2. Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan
kepemimpinan tetap, maka kepuasan kerja juga akan meningkat.
3. Jika variabel kepemimpinan meningkat, dengan asumsi variabel motivasi dan
kompensasi tetap, maka kepuasan kerja juga akan meningkat.

Interpretasi terhadap konstanta (0,235) juga harus dilakukan secara hati-hati.


Jika pengukuran variabel dengan menggunakan skala Likert antara 1 sampai dengan 5
maka tidak boleh diinterpretasikan bahwa jika variabel motivasi, kompensasi dan
kepemimpinan bernilai nol, sebagai ketiga variabel tersebut tidak mungkin bernilai
nol karena Skala Likert terendah yang digunakan adalah 1.

Analisis regresi linear berganda memerlukan pengujian secara serempak


dengan menggunakan F hitung. Signifikansi ditentukan dengan membandingkan F
hitung dengan F tabel atau melihat signifikansi pada output SPSS. Dalam beberapa
kasus dapat terjadi bahwa secara simultan (serempak) beberapa variabel mempunyai
pengaruh yang signifikan, tetapi secara parsial tidak. Sebagai ilustrasi: seorang
penjahat takut terhadap polisi yang membawa pistol (diasumsikan polisis dan pistol
secara serempak membuat takut penjahat). Akan tetapi secara parsial, pistol tidak
membuat takut seorang penjahat. Contoh lain: air panas, kopi dan gula menimbulkan
kenikmatan, tetapi secara parsial, kopi saja belum tentu menimbulkan kenikmatan.

Penggunaan metode analisis regresi linear berganda memerlukan


asumsi klasik yang secara statistik harus dipenuhi. Asumsi klasik tersebut meliputi

5
asumsi normalitas, multikolinearitas, autokorelasi, heteroskedastisitas dan asumsi
linearitas (akan dibahas belakangan).

Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear


berganda adalah 1) koefisien determinasi; 2) Uji F dan 3 ) uji t. Persamaan regresi
sebaiknya dilakukan di akhir analisis karena interpretasi terhadap persamaan regresi
akan lebih akurat jika telah diketahui signifikansinya. Koefisien determinasi
sebaiknya menggunakan adjusted R Square dan jika bernilai negatif maka uji F dan
uji t tidak dapat dilakukan.

2.3 Regresi Logistik

Regresi logistik merupakan pengembangan lebih lanjut sebagai multivariat chi


square yaitu variabel dependentnya dalam skala data nominal (dikotomis ). Regresi
logistik termasuk dalam rumpun dari regresi sehingga kedudukannya sama dengan
regresi linier, sebagai uji prediksi atau estimasi, namun secara sederhana perbedaan
antara regresi biasa dengan pemodelan logit ialah hanya pada variabel dependen atau
responnya. Dimana pada regresi biasa dengan pemodelan logit ialah hanya pada
variabel dependen dan responnya. Dimana pada regresi biasa, data variabel berupa
data kontinyu, namun pada regresi logistik, data variabel dependennya berupa
kategorik, baik Biner ( seperti Ya atau Tidak ) yang sering disebut dikotomus, atau
juga polycotomus ( seperti sangat setuju, setuju, biasa, tidak setuju, dan sangat tidak
setuju ), namun yang sering digunakan adalah untuk variabel dependen dikotomus.

Regresi logistik membentuk persamaan atau fungsi dengan pendekatan


maximum likelihood, yang memaksimalkan peluang pengklasifikasian objek yang
diamati menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien
regresi yang sederhana. Dua nilai yang biasa digunakan sebagai variabel dependen
yang diprediksi adalah 0 dan 1 (ex. 1=berhasil, 0=gagal).

Regresi logistik menghasilkan rasio peluang (odds ratios) antara keberhasilan


atau kegagalan suatu dari analisis. Dapat kita contohkan dengan seorang tokoh yang

6
ingin menjadi presiden, akan lebih baik peluangnya jika menjadi ketua partai politik
tertentu. Disini odds ratio yang dimaksud adalah seberapa besar peluang tokoh
tersebut dengan mempertimbangkan variabel prediktor yang ada.

Regresi logistik akan membentuk variabel prediktor/respon (log (p/(1-p))


yang merupakan kombinasi linier dari variabel independen. Nilai variabel prediktor
ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit.

2.3.1 Asumsi-asumsi dalam regresi logistic

1. Tidak mengasumsikan hubungan linier antar variabel dependen dan independent


2. Variabel dependen harus bersifat dikotomi (2 variabel)
3. Variabel independent tidak harus memiliki keragaman yang sama antar kelompok
variabel
4. Kategori dalam variabel independent harus terpisah satu sama lain atau bersifat
eksklusif
5. Sampel yang diperlukan dalam jumlah relatif besar, minimum dibutuhkan hingga
50 sampel data untuk sebuah variabel prediktor (bebas).

2.3.2 Persamaan Regresi Logistik

Regresi logistik menghasilkan rasio peluang yang dinyatakan dengan


transformasi fungsi logaritma (log), dengan demikian fungsi transformasi log ataupun
ln diperlukan untuk p-value, dengan demikian dapat dinyatakan bahwa logit(p)
merupakan log dari peluang (odds ratio) atau likelihood ratio dengan kemungkinan
terbesar nilai peluang adalah 1, dengan demikian persamaan regresi logistik menjadi:

logit(p) = log (p/1-p) = ln (p/1-p)

dimanap bernilai antara 0-1.

Model yang digunakan pada regresi logistik adalah:

7
Log (P / 1 – p) = β0 + β1X1 + β2X2 + …. + βkXk

Dimana p adalah kemungkinan bahwa Y = 1, dan X1, X2, X3 adalah variabel


independen, dan b adalah koefisien regresi.

Model logit berdasarkan dari ide linier probability model (LPM ), yaitu Y =
b₀ + b₁X + u misalnya variabel X adalah usia sedangkan variabel Y kejadian ca
pulmo ( kanker pulmo)dimana 0 = tidak terjadi ca pulmo, 1 = tidak terjadi ca pulmo.
Regresi linier tidak mampu menyelesaikan analisis ini, namun LPM dapat
menyelesaikan analisis ini dengan cara ekspektasi kondisional Y dari X, dapat
diinterpretasikan sebagai probabilitas kondisional saat suatu event Y akan muncul
karena X, atau dituliskan dengan E(Yix), yang didefinisikan :

p=P(Y) P=(Y=1IX=x), maka E(YIx)=p.1 + ( 1-p )*0=p

untuk memenuhi konsep LPM , sangat sulit karena terkadang nilai dari P berada
diluar range 0-1, sedangkan nilai R² umumnya kecil, sehingga perlu dibuat
pemodelan logit untuk menyelesaikan kelemahan-kelemahan yang ada dalam LPM.

Untuk membuat harga p selalu berada diantara 0 dan 1, maka perlu suatu
fungsi monoton positif, yang memtakan linier prediktor h= a+bX ke unit interval.
Transformasi tipe ini akan mempertahankan struktur linier dari model dan
menghindari nilai peluang berada diluar interval [0,1]. Fungsi distribusi kumulatif
(CDF= cummulative distributions function) akan memnuhi kriteria di atas.

p=P(Y) P=(Y=1IX=x), P(h)= P(a+bX)

dengan menggunakan fungsi logistik, diperoleh linier regresion atau linier logit
model, dengan rumus sebagai berikut :

𝟏 𝒆𝒂+𝒃𝒙
p=(𝒂 + 𝒃𝒙) =𝟏+𝒆−(𝒂+𝒃𝒙) =𝒆𝒂+𝒃𝒙

8
maka untuk rumus regresi logistik adalah

𝟏
p= E (Y=1IXᵢ)=𝟏+𝒆−(𝒂+𝒃𝒙)

untuk mencari odd ratio / OR ( sebagai faktor resiko ), maka dapat dicari dari harga bᵢ
yang telah diketahui , maka rumus mencari OR adalah

OR= 𝒆𝒃𝒊

Dimana e adalah bilangan natural yang besarnya adalah 2,718

9
BAB III
PENUTUP

3.1 Simpulan
Analisis statistik multivariat merupakan metode statistik yang memungkinkan
kita melakukan penelitian terhadap lebih dari dua variable secara
bersamaan.Dengan menggunakan teknik analisis ini maka kita dapat menganalisis
pengaruh beberapa variable terhadap variabel – (variable) lainnya dalam waktu
yang bersamaan.Contoh kita dapat menganalisis pengaruh variable kualitas
produk.Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui
pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel
yang mempengaruhi sering disebut variabel bebas, variabel independen atau
variabel penjelas.Variabel yang dipengaruhi sering disebut dengan variabel terikat
atau variabel dependen.
Regresi linier seperti yang kita ketahui tidak dapat menyelesaikan kasus
dimana variabel dependent bersifat dikotomi dan kategori dengan dua atau lebih
kemungkinan (ex. sukses atau Gagal; terpilih atau tidak terpilih; lulus atau tidak
lulus; melakukan pembelian atau tidak; mendapat promosi atau tidak, dan lain-
lain).Regresi logistik merupakan pengembangan lebih lanjut sebagai multivariat
chi square yaitu variabel dependentnya dalam skala data nominal (dikotomis ).
Regresi logistik termasuk dalam rumpun dari regresi sehingga kedudukannya sama
dengan regresi linier, sebagai uji prediksi atau estimasi, namun secara sederhana
perbedaan antara regresi biasa dengan pemodelan logit ialah hanya pada variabel
dependen atau responnya.

3.2 Saran
Dalam makalah ini penulis sadar bahwa makalah ini masih banyak
kekurangan dan masih jauh dari kata kesempurnaan. Oleh karena itu,kritik dan
saran dari pembaca sangatlah kami perlukan agar dalam pembuatan makalah
selanjutnya akan lebih baik dari sekarang dan kami juga berharap pengetahuan

10
tentang Analisis Multivariat dapat terus dikembangkan dan diterapkan dalam
bidang Biostatistik.

11
DAFTAR PUSTAKA

http://www.peutuah.com/regresi-linear/

https://www.statistikian.com/2016/11/analisis-multivariat.html

https://www.scribd.com/doc/162631633/SUTANTO-Analisis-Multivariat

https://www.scribd.com/document/89778103/Regresi-Logistik

12