A.

ANALITIK KORELATIF DAN REGRESI LINEAR

Analisis kolerasi adalah untuk melihat ada atau tidak ada serta keeratan hubungan antar variabel-
variabel yang bersifat numeric.

Analisis regresi adalah untuk melihat bentuk hubungan antar varibel-variabel tersebut. Misalnya
nilai p value 0.111, nilainya (+) artinya nilai variabel meningkatkan nilai variabel yang lain.
Namun nilai p value – 0.111, nilainya (-) artinya variabel menurunkan nilai variabel yang lain.

1. ANALISIS KORELASI
1. Uji korelasi person
2. Uji korelasi spearman

Alur pengolahan data:

1. Uji normalitas data

Apabila data berdistribusi normal maka uji korelasi yang digunakan adalah person,
sedangkan apabila data berdistribusi tidak normal maka uji korelasi yang digunakan
adalah uji kolerasi spearman.
2. Lakukan analisis; melihat keeratan hubungan antara variabel BB dan TB terhadap
IMT.
3. Buka SPSS klik analyze –

Hasil uji normalitas data

Variabel P value Distribusi data Uji korelasi*IMT

BB 0.200 Normal Person
TB 0.000 Tidak normal Spearman

P value < 0.05 , maka Ho ditolak

Ho : tidak ada perbedaan distribusi data dengan kurva normal

Ha : ada perbedaan distribusi data dengan kurva normal

Output Analisis kolerasi antara BB dan IMT

Correlations
indeks massa
Berat badan tubuh
Berat badan Pearson Correlation 1 .343**
Sig. (2-tailed) .000
N 101 101
indeks massa tubuh Pearson Correlation .343** 1
Sig. (2-tailed) .000
N 101 101
**. Correlation is significant at the 0.01 level (2-tailed).

Menurut Calton ( pengelompokan nilai (r) kolerasi :

Nilai r = 0 – 2,5 tidak ada/hubungan sangat lemah
Nilai r = 0,26 – 0,50 hubungan sedang
Nilai r = 0,51 – 0,75 hubungan kuat
Nilai r = 0,75 – 1,00 hubungan sangat kuat

Kesimpulan :
Dari hasil analisis kolerasi diketahui bahwa P value 0,.001 < 0.05 sehingga ada hubungan antara
BB dengan IMT, dan sifat hubungan nya adalah sedang yaitu r = 0.343.

Correlations
indeks massa
tubuh Tinggi badan
Spearman's rho indeks massa tubuh Correlation Coefficient 1.000 -.361**
Sig. (2-tailed) . .000
N 101 101
Tinggi badan Correlation Coefficient -.361** 1.000
Sig. (2-tailed) .000 .
N 101 101
**. Correlation is significant at the 0.01 level (2-tailed).
Kesimpulan :

Dari hasil analisis kolerasi diketahui bahwa P value 0,001 < 0,05 sehingga ada hubungan antara
TB dengan IMT, dan sifat hubungan nya adalah sedang yaitu r = -0.361. Nilai (-) artinya
penambahan nilai TB maka dapat menurunkan nilai IMT.

Lakukan Analisis Regresi untuk melihat bentuk hubungan antara variabel BB dan TB
terhadap IMT.
 Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .897a .804 .800 10.29954
a. Predictors: (Constant), Tinggi badan, Berat badan

Coeffi cientsa

Unstandardized St andardiz ed
Coeffic ient s Coeffic ient s
Model B St d. Error Beta t Sig.
1 (Const ant) 222.783 15.401 14.465 .000
Berat badan .778 .116 .299 6.682 .000
Tinggi badan -1. 551 .084 -.829 -18.522 .000
a. Dependent Variable: indek s mass a tubuh

Persamaan garis:

Y = A + bX + …
Indeks massa tubuh = 222.783 + 0.778(berat badan) – 1.551(tinggi badan)

Penyajian dan interprestasi dari hasil analisis regresi linear antara BB dan TB dengan IMT.
Variabel r R² Persamaan garis P value
Indeks massa tubuh 0.897 0.804 IMT = 222.783 + 0.778*bb – 1.551*tb 0.0001

Kesimpulan:

- Hubungan antara berat badan dan tinggi badan terhadap indeks massa tubuh
menunujukkan hubungan yang sangat kuat yaitu r = 0.897.
- Nilai R² = 0, 804 menjelaskan bahwa persamaan garis yang kita peroleh dapat
menjelaskan 80,4% variasi nilai BB dan TB. Atau dengan kata lain persamaan yang kita
peroleh sudah baik.
- Nilai sig (probabilitas) untuk BB = 0.000 dan TB = 0.000 < 0.05, berarti kedua variabel
tersebut mempengaruhi variabel IMT
- Berdasarkan persamaan garis:
Nilai konstanta 222.783 artinya apabila tidak ada penambahan atau pengurangan dari
variabel independen yaitu berat badan dan tinggi badan maka nilai IMT adalah 222.783.
Apabila ada penambahan berat badan sebesar 1 kg maka terjadi penambahan nilai IMT
sebesar 0.778, sedangkan apabila ada kenaikan tinggi badan sebesar 1 cm maka terjadi
pengurangan nilai IMT sebesar 1.551.
- Dari persamaan garis kita dapat memprediksi variabel dependen:
 Indeks massa tubuh = 222.783 + 0.778 (berat badan)
= 222.783 + 0.778 (51)
= 262.461

Misalkan, persamaan regresi untuk penjualan koran :

Sales =100.123 + 10.913 iklan Koran + 4.966 iklan radio – 13,275 outlet

ANALISIS REGRESI LOGISTIK

Kita akan menganalisis faktor-faktor risiko yang mempengaruhi terjadinya sakit kulit di
penduduk daerah aliran Sungai Batanghari.

Variabel dependen : sakit kulit

Variabel independen : lama tinggal indeks massa tubuh, kebiasaan konsumsi alcohol, kebiasaan
merokok, kebiasaan minum air putih, dan kadar As dalam air minum.

Langkah 1 lakukan analisis bivariate masing-masing variabel independen dengan variabel

dependen.

Apabila nilai p value < = 0.25 maka lanjut ke analisis multivariate, apabila > 0.25
maka tidak lanjut.

Variabel yang lanjut ke analisis multivariate

1. Lama tinggal p value 0.191 < 0.05

2. Kebiasaan minum air putih p value 0.155 < 0.05
3. Kadar arsen dalam air minum p value 0.001 < 0.05

Langkah 2 lakukan analisis multivariate untuk variabel (lama tinggal, kebiasaan minum air
putih dan kadar arsen dalam air minum) dengan variabel (sakit kulit)

Untuk nilai p value > 0,05 maka dikeluarkan dari model analisis. Dilakukan
secara bertahap mulai dari nilai p value yang paling tinggi.

Model Akhir
 Va riables in the Equation

95.0% C.I. for EXP(B)

B S. E. W ald df Sig. Ex p(B) Lower Upper
Sta ep lmtgl3 19.086 15191.014 .000 1 .999 2E+008 .000 .
1 ars en_kdr 2.094 .709 8.725 1 .003 8.114 2.023 32.546
minum3 .975 .730 1.784 1 .182 2.651 .634 11.086
Constant .551 .436 1.600 1 .206 1.735
a. Variable(s ) ent ered on step 1: lmtgl3, arsen_kdr, minum3.

Penduduk yang mengkonsumsi air minum denga kadar arsen (berisiko) > 0.01 mg/L berisiko
untuk terjadi sakit kulit 8 kali dibandingkan dengan penduduknya yang mengkonsumsi air
minum dengan kadar As (tidak berisiko < = 0.01 mg/L)

Variabel lama tinggal dengan nilai p value 0.999 > 0.05 maka dikeluarkan dari model analisis.
Sedangkan variabel kebiasaan minum air putih dan kadar arsen dalam air minum lanjut ke
analisis berikutnya.

Persamaan model :

Y = a + bX

Sakit kulit = 0.551 + 2.094 (kadar arsen) + 19.086 ( lama tinggal) + ( minum air putih)

Kesimpulan:

Berdasarkan model akhir diatas kita ketahui bahwa penduduk yang terdapat kadar As
dalam air minum beresiko maka dapat terkena penyakit kulit 8 kali lebih besar
dibandingkan dengan penduduk yang kadar arsen dalam air minumnya tidak berisiko.