Bab 5

Analisis Data Dan Keputusan

5.1 Pengenalan

Bagi mendapatkan model regresi logistik terbaik kajian ini, analisis berpandukan
carta aliran proses analisis regresi logistik yang telah diperkenalkan pada bab
metodologi sebelum inni harus dilaksanakan. Bermula dengan mengira bilangan
model yang mungkin dan setserusnya diikuti oleh pemilihan model yang terpilih. Bagi
memilih model yang terpilih, ujian multikolinearan dan ujian pekali dijalankan. Ujian
wald turut dijalankan sebagai ujian sokongan. Kemudian jadual lapan kriteria
pemilihan yang diubahsuai (M8SC) akan digunakan dalam menentukan model regresi
yang terbaik. Setelah model terbaik diperolehi, maka ujian kebagusan penyesuaian
boleh dilaksanakan terhadap model tersebut. Berikutnya merupakan setiap proses
bagi mendapatkan model regresi yang tserbaik yang dijelaskan dengan lebih
terperinci bersama-sama keputusan data yang diperolehi.

5.2 Semua model yang mungkin

Pengiraan untuk mendpatkan semua model yang mungkin dilaksanakan sebelum

analisis-analisis lain diteruskan. Zainodin & khuneswari (2009) menyatakan bahawa
bagi mendapatkan model terbaik, pengiraan jumlah bilangan semua model yang
mungkin hendaklah dilakukan. Pengiraan ini hanya melibatkan pembolehubah
tidakbersandar yang kuantitatif sahaja. Rumus bagi mendapatkan jumlah bilangan
semua model yang mungkin boleh dikira menggunakan persamaan (5.1)
N= k
Cj) ……………………………. (5.1)

Di mana,
N = bilangan semua model yang mungkin
K = bilangan pembolehubah tidak bersandar bagi j=1,2,3…k(tidak termasuk
pembolehubah patung)

Maka terdapat 12 model yang mungkin ke semuannya yang menghasilkan

sehingga dua interaksi bagi kajian ini. Manakala, bagi pembolehubah tidak bersandar
yang kualitatif pula menghasilkan satu interaksi. Jadual 5.1 merupakan jadual
bilangan semua model yang mungkin.

Jadual 5.1 Bilangan semua model yang mungkin

Bilangan Individu Interaksi

Pembolehubah 1 2 Jumlah
1 3
C1 = 3 - - 3
2 3
C2= 3 3 - 6
3 3
C3=1 1 1 3
Jumlah 7 4 1 12
Model M1 –M11 M8 – M11 M12

Jadual 5.2 Senarai semua model yang mungkin

Model Semua model yang mungkin

M1 Y =
β0 + β1X1 + βAA + βBB + u
M2 Y =
β0 + β2X2 + βAA + βBB + u
M3 Y =
β0 + β3X3 + βAA + βBB + u
M4 Y =
β0 + β1X1 + β2X2 + βAA + βBB + u
M5 Y =
β0 + β1X1 + β3X3 + βAA + βBB + u
M6 Y =
β0 + β2X2 + β3X3 + βAA + βBB + u
M7 Y =
β0 + β1X1+ β2X2 + β3X3 + βAA + βBB + u
M8 Y =
β0 + β1X1+ β2X2 + β12X12 + βAA + βBB + β1AX1A + β1BX1B +β2AX2A +
β2BX2B + u
M9 Y = β0 + β1X1+ β3X3 + β13X13 + βAA + βBB + β1AX1A + β1BX1B +β3AX3A +
β3BX3B + u
M10 Y = β0 + β2X2+ β3X3 + β23X23 + βAA + βBB + β2AX2A + β2BX2B +β3AX3A +
β3BX3B + u
M11 Y = β0 + β1X1+ β2X2+ β3X3 + β12X12+Β13x13 + β23X23+ βAA + βBB + β1AX1A+
β1BX1B + β2AX2A + β2BX2B + β3AX3A + β3BX3B + u
M12 Y = β0 + β1X1+ β2X2+ β3X3 + β12X12+ Β13X13 + β23X23+ Β123X123 + βAA +
βBB+
β1AX1A + β1BX1B + β2AX2A + β2BX2B + β3AX3A + β3BX3B + u

5.3 Model Terpilih

Untuk mendapatkan model terpilih ujian multikolinearan dan ujian pekali akan
dilakukan.

5.3.1 Ujian Multikolinearan

Multikolinearan merupakan satu situasi di mana beberapa atau semua pembolehubah

tidak bersandar mempunyai nilai kolerasi yang tinggi dan tidak bertaburan secara
bebas , justeru ini akan memberi kesimpulan yang kurang tepat (Noraini et al.,2011)
Oleh itu, ujian multikolinearan adalah sangat penting dan perlu dijalankan bagi
menyingkir punca pembolehubah multikolineran dikenalpasti.

Dalam kajian ini,terdapat empat model yang melibatkan proses penyingkiran

dalam ujian multikolinearan iaitu M8,M9,M11, dan M12. Model M8 dijadikan sebagai
contoh bagi proses penyingkiran pembolehubah.

M8:
Y = β0 + β1X1+ β2X2 + β12X12 + (βAA + βBB) +(β1AX1A + β1BX1B) +(β2AX2A + β2BX2B)+u …..(5.2)
Persamaan 5.2 mununjukkan persamaan model M8. Proses penyingkiran dilakukan
berdasarkan jadual matrix korelasi yang diperolehi daripada analisis SPSS. Jadual
adalah seperti berikut:

Jadual 5.3 Ujian Multikolinearan bagi model M8

Berdasarkan jadual 5.3 proses penyingkiran adalah berdasarkan kes C, dimana setiap
pembolehubah hanya mempunyai satu sahaja kekerapan. Berdasarkan jadual
tersebut, nilai pekali korelasi tertinggi iaitu melebihi 0.95 adalah 0.970 dan 0.96.
Dalam menentukan pembolehubah yang perlu disingkirkan pembolehubah tidak
bersandar yang berkait rapat dibandingkan dari segi pekali korelasi mutlak dan nilai
yang terkecil berdasarkan nilai Y akan disingkirkan. Berdasarkan jadual 5.2 nilai
pekali korelasi mutlak yang terkecil adalah pembolehubah X 1 dan X2iaitu 0.029 dan
0.250. Maka, pembolehubah X1 dan X2 disingkirkan dari model M8.

Jadual 5.4 Ujian multikolinearan bagi model M8.1 (Bebas multikolinearan)

Jadual 5.4 menunjukkan model M8.1 bebas daripada multikolinearan.

Penyingkiran pembolehubah tidak bersandar x 1 dan X2 telah menghasilkan model
baru iaitu model M8.1. Penyingkiran pembolehubah X 1 juga menghasilkan persamaan
baru iaitu:
M8.1: Y = β0+ β12X12 + (βAA + βBB) +(β1AX1A + β1BX1B) +(β2AX2A + β2BX2B) +u …..(5.3)
5.3.2 Ujian Pekali

Ujian pekali dilakukan adalah bertujuan untuk menyingkirkan pembolehubah yang

mempunyai nilai yang tidak signifikan iaitu pembolehubah yang tidak memberikan
kesan terhadap pembolehubah bersandar. Ujian pekali ini melibatkan nilai P yang
mana ia akan menentukan penyingkiran pembolehubah yang tidak signifikan.
Pembolehubah yang mempunyai nilai P yang tinggi iaitu lebih daripada 0.05 akan
disingkirkan.

Dalam setiap penyingkiran, hanya satu pembolehubah yang akan dikeluarkan

daripada model tersebut. Proses ini akan diulang sehingga semua pembolehubah
mempunyai mempunyai nilai yang signifikan iaitu nilai yang kurang daripada 0.05.
Bagi ujian ini model M1 diambil sebagai contoh. Berikut merupakan persamaan bagi
M1:

M1: Y = β0 + β1X1 + (βAA + βBB ) +u …………………………………………… (5.4)

Jadual 5.5 Jadual Pekali Model M1

Jadual 5.5 merupakan jadual pekali bagi model M1. Bedasarkan jadual tersebut nilai
p tertinggi ialah pembolehubah X1 yang mempunyai nilai p 0.546. Maka,
pembolehubah X1 akan disingkirkan terlebih dahulu. Penyingkiran pembolehubah X 1
menghasilkan model baru M1.0.1. Berikut adalah model M.1.0.1
M1.0.1 : Y = β0 + β1X1 + (βAA + βBB ) +u ………………………………………….(5.5)
Jadual 5.6 Jadual Pekali Model 1.0.1

Melalui jadual 5.6, nilai p bagi pembolehubah A adalah lebih besar dari 0.05, maka
pembolehubah ini disingkirkan dari model M.1.0.1 dan terbentuklah persamaan baru
iaitu;
M1.0.2 : Y = β0 + βA A + βBB +u …………………………………….. (5.6)

Jadual 5.7 Jadual Pekali M1.0.2

Coefficientsa

Pekali
Pekali Tidak Standard Standard
Std.
Model B Error Beta t Sig.
1 (Constant)
.330 .039 8.427 .000

A .009 .016 .028 .581 .562 disingkirkan

B .666 .040 .810 16.791 .000
a. Dependent Variable: Y

Jadual 5.7 merupakan jadual pekali bagi M1.0.2 dimana pembolehubah A mempunyai
nilai p yang besar dari 0.05. Maka pembolehubah ini disingkirkan dan menghasilkan
persamaan M1.0.3 iaitu;
M1.0.3 : Y = β0 + βBB +u ………………………………………………..(5.7)

Jadual 5.8 Jadual Pekali Model M1.0.3

Pekali
Model Pekali tidak Pekali t Sig.
Piawai Piawai

B Ralat Beta
Piawai
1 (Constant) .333 .039 8.602 .000

B .667 .040 .811 16.857 .000

a. Dependent Variable: Y

Jadual 5.8 merupakan jadual pekali bagi M1.0.3 dimana semua pembolehubah telah
mempunyai nilai p kurang dari 0.05. Oleh itu, tujuan ujian ini terlah tercapai dan
model M1.0.2 merupakan salah satu model terpilih dalam kajian ini.

Kesimpulannya bagi model M1, pembolehubah yang kekal antara

pembolehubah yang mempengaruhi faktor risiko kanser serviks di Sabah. Model
terpilih adalah:
M1.0.3 : Y = β0 + βBB +u

5.3.4 Ringkasan Model Terpilih

Model terpilih dalam kajian ini diperolehi setelah ujian multikolinearan da ujian pekali
dijalankan. Model-model terpilih adalah bebas dari masalah multikolinearan dan
bebas daripada pembolehubah-pembolehubah yang tidak signifikan. Jadual 5.9
merupakan ringkasan model terpilih bagi kajian ini serta parameter ( k + 1) dan nilai
statistik devians (G2) masing-masing.

Jadual 5.9 Ringkasan Model Terpilih

 Model Terpilih (k + 1) G2
M1.0.1: Y = β0 + βBB +u 2 386.537
M2.0:3 Y = β0 + β3X3 + βBB + β3BX3B +u 4 377.787

5.4 Pemilihan Model Terbaik

Penggunan lapan kriteria pemilihan yang diubahsuai (M8SC) dilakukan untuk

mendapatkan model regresi logistik terbaik bagi kajian ini. Nilai statistik devians (G 2)
diperolehi dari SPSS manakala pengiraan nilai bagi setiap kriteria dilakukan
menggunakan Microsoft Excel. Model terbaik akan ditentukan berdasarkan nilai
minimum yang terbanyak dalam kalangan lapan kriteria pemilihan yang disenaraikan.

Jadual 5.10 Nilai M8SC bagi setiap model terpilih

Kriteria pemilihan M1.0.3 M2.0.3
AIC 2.6466 2.6566

FPE 2.6466 2.6566

GCV 2.6470 2.6585

HQ 2.6901 2.7446

RICE 2.6475 2.6605

SCHWARZ 2.7550 2.8786

SGMASQ 2.6117 2.5876

SHIBATA 2.6456 2.6520

Berdasarkan 5.10 model M1.0.3 mempunyai nilai minimum bagi setiap lapan kriteria.
Oleh itu, model M1.0.3 merupakan model terbaik dalam kajian ini.
Persamaan bagi model M1.0.3 ditunjukkan dalam persamaan 5.8 seperti berikut:
Y = β0 +βBB +u