MANAJEMEN DATA PENELITIAN

UJI SPEARMAN RANK DAN REGRESI LOGISTIK

KELOMPOK 3 :

1. KATARINA YUNITA C. N 20160310007

2. ANINDA AMALIA TISNA 20160310017
3. DODI PEBRIYANTO 20180310038

S1 MANAJEMEN INFORMASI KESEHATAN

FAKULTAS ILMU-ILMU KESEHATAN
UNIVERSITAS ESA UNGGUL
2019
 UJI SPEARMAN RANK DAN REGRESI LOGISTIK

A. UJI RANK SPEARMAN

Uji korelasi Spearman atau Rank Spearman merupakan bagian dari
statistik non-parametrik yang bertujuan untuk menguji hubungan antara dua
variabel penelitian dengan skala data ordinal. Dalam uji rank Spearman, skala
data untuk kedua variabel yang akan dikorelasikan dapat berasal dari skala yang
berbeda (ordinal-numerik) atau skala sama (ordinal). Data yang akan
dikorelasikan tidak harus berdistribusi normal. (Latief, Khatib A.)
Kriteria tingkat kekuatan hubungan antar variabel dapat dilihat dari nilai
koefisien korelasi pada hasil output SPSS, dengan ketentuan:
1. Nilai koefisien korelasi sebesar 0,00 – 0,25 = hubungan sangat lemah
2. Nilai koefisien korelasi sebesar 0,26 – 0,50 = hubungan cukup
3. Nilai koefisien korelasi sebesar 0,51 – 0,75 = hubungan kuat
4. Nilai koefisien korelasi sebesar 0,76 – 0,99 = hubungan sangat kuat
5. Nilai koefisien korelasi sebesar 1,00 = hubungan sempurna

Untuk mengetahui apakah ada hubungan atau tidak, dapat dilihat dari
nilai signifikan dan seberapa besar hubungannya dapat dilihat dengan nilai r.
Dikatakan signifikan jika nilai signifikan pada output SPSS lebih kecil dari 0,05
(< 0,05), sedangkan jika nilai signifikan pada output SPSS lebih besar dari 0,05
(> 0,05) maka dikatakan tidak signifikan. Berikut adalah lagkah-langkah untuk
uji Rank Spearman dengan menggunakan data kuesioner penelitian “Analisis
Kerja Petugas Filing Berdasarkan Beban Kerja Di Unit Manajemen Informasi
Kesehatan Rumah Sakit Y” :
1. Mengolah Data
 Buka aplikasi SPSS
 Klik File – Open – Data, pilih data yang akan digunakan
 Setelah data muncul, kemudia klik Analyze – Correlate – Bivariate
 Pindahkan variabel pendidikan petugas dan skor kinerja petugas
pada kotak Variables.
 Beri ceklist () pada kotak Spearman, Two-tailed, dan Flag
significant correlations. Sehingga tampak pada layar sebagai berikut:

 Klik OK
2. Hasil Output SPSS dan Analisis

Rumusan masalah:
Apakah terdapat hubungan antara pendidikan petugas dengan kinerja
petugas?

Hipotesis:
Ho : Tidak terdapat hubungan antara pendidikan petugas dengan
kinerja petugas
Ha : Terdapat hubungan antara pendidikan petugas dengan kinerja
petugas

Keputusan:
Jika Sig > 0,05 maka Ho gagal ditolak / diterima
Jika Sig < 0,05 maka Ho ditolak

Hasil Keputusan:
Nilai signifikan (Sig) adalah 0,54 yaitu lebih besar dari 0,05 (0,54 > 0,05)
maka Ho gagal ditolak (diterima) yang artinya tidak terdapat hubungan
antara pendidikan petugas dengan kinerja petugas. Hubungannya sebesar -
0,506 berarti hubungan tingkat pengetahuan dengan kinerja petugas sangat
lemah. (cari contoh lain).
B. UJI REGRESI LOGISTIK
Regresi logistik adalah sebuah pendekatan untuk membuat model prediksi
seperti halnya regresi linear atau yang biasa disebut dengan istilah Ordinary
Least Squares (OLS) regression. Perbedaannya adalah pada regresi logistik,
peneliti memprediksi variabel terikat yang berskala dikotomi. Skala dikotomi
yang dimaksud adalah skala data nominal dengan dua kategori misalnya: Ya
dan Tidak, Baik dan Buruk atau Tinggi dan Rendah.
Regresi logistik bertujuan untuk menguji pengaruh dengan data dependen
(Y) adalah data ketegori yang terdiri dari 2 (misal pemberian kode 1 = laki-laki,
kode 0 = perempuan). Data independen (X) adalah data sekunder atau primer.
Asumsi yang harus dipenuhi dalam Regresi Logistik antara lain:
1. Regresi logistik tidak membutuhkan hubungan linier antara
variabel independen dengan variabel dependen.
2. Variabel independen tidak memerlukan asumsi multivariate
normality.
3. Asumsi homokedastisitas tidak diperlukan .
4. Variabel bebas tidak perlu diubah ke dalam bentuk metrik
(interval atau skala ratio).
5. Variabel dependen harus bersifat dikotomi (2 kategori, misal:
tinggi dan rendah atau baik dan buruk)
6. Variabel independen tidak harus memiliki keragaman yang sama
antar kelompok variabel
7. Kategori dalam variabel independen harus terpisah satu sama
lain atau bersifat eksklusif
8. Sampel yang diperlukan dalam jumlah relatif besar, minimum
dibutuhkan hingga 50 sampel data untuk sebuah variabel
prediktor (independen).
9. Regresi logistik dapat menyeleksi hubungan karena
menggunakan pendekatan non linier log transformasi untuk
 memprediksi odds ratio. Odd dalam regresi logistik sering
dinyatakan sebagai probabilitas.
Sebagaimana metode regresi biasa, Regresi Logistik dapat dibedakan
menjadi 2, yaitu:
1. Binary Logistic Regression (Regresi Logistik Biner). Regresi
Logistik biner digunakan ketika hanya ada 2 kemungkinan
variabel respon (Y), misal membeli dan tidak membeli.
2. Multinomial Logistic Regression (Regresi Logistik
Multinomial). Regresi Logistik Multinomial digunakan ketika
pada variabel respon (Y) terdapat lebih dari 2 kategorisasi.
Model Persamaan Regresi Logistik adalah:

Dimana :
Ln : Logaritma Natural.
B0 + B1X : Persamaan yang biasa dikenal dalam OLS.
Sedangkan P Aksen adalah probabilitas logistik yang didapat rumus
probabilitas regresi logistic sebagai berikut:

Dimana:
exp atau ditulis "e" adalah fungsi exponen. (Perlu diingat bahwa exponen
merupakan kebalikan dari logaritma natural. Sedangkan logaritma natural
adalah bentuk logaritma namun dengan nilai konstanta 2,71828182845904 atau
biasa dibulatkan menjadi 2,72).
 Dengan model persamaan di atas, tentunya akan sangat sulit untuk
menginterprestasikan koefisien regresinya. Oleh karena itu maka
diperkenalkanlah istilah Odds Ratio atau yang biasa disingkat Exp(B) atau OR.
Exp(B) merupakan exponen dari koefisien regresi.
1. Mengolah Data
 Buka aplikasi SPSS
 Klik File – Open – Data, pilih data yang akan digunakan
 Setelah data muncul, kemudia klik Analyze – Regression – Binary
Logistic.

 Kemudian masukkan variabel Jenis Kelamin ke kotak dependent dan

masukkan variabel kinerja petugas ke kotak Covariates.
 Tekan tombol Save lalu centang Probabilities, Group membership,
Unstandardized dan Studentized kemudian klik Continue.

 Tekan tombol Options lalu centang Classification plots,

Hosmerlemeshow goodness-of-fit, Casewise listing residuals dan pilih
Outliers outside dan isi dengan angka 2, Correlation of estimates,
Iteration history, CI for exp(B) dan isi dengan 95.
Sedangkan nilai Maximum iteration biarkan tetp 20 dan nilai
Classification Cutoff tetap 0.5. Nilai ini disebut dengan the cut value
 atau prior probability, yaitu peluang suatu observasi untuk masuk ke
dalam salah satu kelompok sebelum karakteristik variabel penjelasnya
diketahui. Apabila kita tidak mempunyai informasi tambahan tentang
data kita, maka bisa langsung menggunakan nilai default yaitu 0,5. Jika
tidak ada penelitian sebelumnya, dapat digunakan classification cutoff
sebesar 0,5. Namun, jika ada penelitian lain yang telah meneliti maka
bisa dinaikkan/diturunkan classification cutoff sesuai hasil penelitian.

 Kemudian pada jendela utama, klik OK

2. Hasil Output SPSS dan Analisis
Output Case Processing Summary menjelaskan bahwa seluruh kasus
atau case ternyata teramati semua sebanyak 15 sampel, artinya tidak ada
sampel yang hilang/missing.

Block 0: Beginning Block

Block 1: Method = Enter
Pada regresi logistic yang dianalisis adalah:
a) Menilai kelayakan model regresi

Pengujian Hosmer Lemeshow

Ho: Model telah cukup mampu menjelaskan data/sesuai
H1: Model tidak cukup mampu menjelaskan data
Tolak Ho jika nilai sig < 0,05
 Kelayakan model regresi dinilai dengan menggunakan Hosmer and
Lemeshow Test . Menunjukkan nilai probabilitas hitung sebesar 0.191
> 0.05 hal ini menunjukkan model regresi logistic biner layak dipakai
untuk analisis selanjutnya, karena tidak ada perbedaan yang nyata
antara klasifikasi yang diprediksi dengan klasifikasi yang diamati.
b) Menilai model fit

Adanya pengurangan niilai -2LL awal dengan nilai -2LL pada langkah
berikutnya menunjukkan bahwa model yang dihipotesiskan fit dengan
data. Hasil yang didapatkan pada penelitian ini adalah terdapat
penurunan nilai -2LL awal (pada blok 0) yaitu sebesar 19.095 dengan
pada langkah berikutnya (pada blok 1) yaitu sebesar 18.489 sehingga
model yang dihipotesiskan fit dengan data.
Rumusan masalah
Apakah terdapat pengaruh antara jenis kelamin dengan kinerja
petugas
Kemungkinan Hipotesis
Ho : Tidak terdapat pengaruh antara jenis kelamin dengan
kinerja petugas.
Ha :Terdapat pengaruh antara jenis kelamin dengan
kinerja petugas.
Kriteri Uji:
 Jika sig > 0.05, maka Ho ditolak dan Ha diterima.
 Jika sig < 0.05, maka Ho diterima Ha ditolak.
Uji Parsial dan Pembentukan Model

Diterima hipotesis nol (Ho) jika nilai p-value signifikansi < 0.05
Dari tabel di atas merupakan tabel utama dari analisis data
dengan menggunakan regresi logistik. Nilai pvalue signifikansi
variabel kinerja petugas sebesar 0.630 > 0.05 maka tolak Ho.
Dapat disimpulkan bahwa tidak terdapat pengaruh yang
signifikan antara total skor motivasi terhadap jenis kelamin
dengan nilai koefisien pengaruh sebesar 0.095
 DAFTAR PUSTAKA

Latief, Khatib A. 2017. Analisis Koefisien Korelasi Rank Spearman. Repository UIN
Ar-Raniryhttps://repository.ar-
raniry.ac.id/id/eprint/480/1/09%20Korelasi%20Rank%20Spearman.pdf
https://www.spssindonesia.com/2017/04/analisis-korelasi-rank-spearman.html
Sujarweni, V Wiratna dan Lila Retnani Utami. 2019. The Master Book of SPSS
“Pintar Mengolah Daya Statistik Untuk Segala Keperluan Secara Otodidak”.
Yogyakarta: Penerbit Startup
Harlan. Johan. 2018. Analisis Regresi Logistik. Penerbit Gunadarma
https://www.google.com/search?q=buku+regresi+logistik+pdf&oq=buku+&aqs=chro
me.0.69i59l2j69i57j35i39j0j69i60l3.5789j0j7&sourceid=chrome&ie=UTF-8