ABSTRAK
Model regresi multivariat merupakan model regresi linier dengan lebih dari satu variabel dependent 𝒀
yang saling berkorelasi dan satu atau lebih variabel independent 𝑿. Pada analisis model regresi
multivariat pemilihan model terbaik merupakan suatu hal penting. Hal ini dikarenakan pemilihan model
terbaik pada model regresi multivariat tergantung banyaknya variabel independent yang terlibat dalam
model. Tujuan penelitian ini yaitu untuk mengetahui faktor-faktor apa saja yang mempengaruhi derajat
kesehatan di Indonesia dan dapat menentukan model regresi multivariat terbaik berdasarkan faktor-faktor
yang mempengaruhi derajat kesehatan di Indonesia. Berdasarkan hasil pemilihan model menggunakan
metode 𝐴𝐼𝐶𝐶 diperoleh faktor-faktor yang mempengaruhi derajat kesehatan di Indonesia yaitu persentase
kelahiran yang dilakukan oleh tenaga medis, persentase imunisasi lengkap dan persentase rumah tangga
menggunakan fasilitas jamban sendiri.
1
metode yang digunakan pada pemilihan model 1. Lingkungan
terbaiknya. 2. Perilaku
Serta tujuan yang ingin dicapai dalam 3. Pelayanan Kesehatan
penelitian ini adalah untuk mengetahui faktor- 4. Kependudukan/keturunan
faktor apa saja yang mempengaruhi derajat Model Regresi Multivariat
kesehatan di Indonesia dan dapat membuat model Model regresi linier multivariat adalah
regresi multivariat terbaik berdasarkan faktor- model regresi linier dengan lebih dari satu
faktor yang mempengaruhi derajat kesehatan di variabel dependent 𝒀 yang saling berkorelasi dan
Indonesia. satu atau lebih variabel independent 𝑿 (Johnson
dan Wichern, 2002).
TINJAUAN PUSTAKA Dengan model sebagai berikut :
Definisi Derajat Kesehatan 𝒀(𝒏×𝒑) = 𝑿(𝒏×(𝒒+𝟏) 𝜷((𝒒+𝟏)×𝒑) + 𝜺(𝒏×𝒑)(1)
Kesehatan adalah suatu keadaan fisik,
mental, dan sosial yang terbebas dari suatu dengan 𝑬(𝜺(𝑖) ) = 0 dan 𝑪𝒐𝒗(𝜺(𝑖) , 𝜺(𝑘) ) = 𝝈𝑖𝑘 𝐼
penyakit sehingga seseorang dapat melakukan dimana 𝑖, 𝑘 = 1,2, … 𝑚 (Johnson dan Wichern,
aktifitas secara optimal. 2002).
Indikator utama yang digunakan untuk Asumsi tambahan yang berkenaan dengan model
melihat derajat kesehatan penduduk adalah angka adalah sebagai berikut :
kematian bayi, angka harapan hidup, dan status 𝑬(𝒀) = 𝑿𝜷 atau 𝑬(𝜺) = 0
gizi buruk balita (Anonim, 2015a). 𝒄𝒐𝒗(𝒚𝒊 ) = Σ untuk semua 𝑖 = 1,2, … , 𝑛 dimana
Angka Kematian Bayi
𝒚𝒊 𝑻 adalah baris ke-𝑖 dari matriks 𝒀
Angka kematian bayi adalah angka
yang menunjukkan banyaknya kematian 𝒄𝒐𝒗(𝒚𝒊 , 𝒚𝒋 ) = 0 untuk semua 𝑖 ≠ 𝑗
bayi usia 0 tahun dari setiap 1000 kelahiran (Rencher, 2002).
hidup pada tahun tertentu atau dapat
dikatakan juga sebagai probabilitas bayi Koefisien Korelasi Antar Variabel Dependent
meninggal sebelum mencapai usia satu Koefisien Korelasi adalah nilai yang
tahun (dinyatakan dengan per seribu menunjukkan kuat atau tidaknya hubungan linier
kelahiran hidup) (Anonim, 2014b). antar dua variabel, cara yang dapat digunakan
Angka Harapan Hidup adalah dengan menghitung matriks korelasi antar
Angka harapan hidup pada suatu variabel (Johnson dan Winchern, 2002).
umur 𝑋 adalah rata-rata tahun hidup yang Dengan persamaan sebagai berikut :
1 𝑥𝑖𝑟−𝑥𝑖 𝑥𝑘𝑟 −𝑥𝑘
dijalani oleh seseorang yang telah berhasil 𝑟𝑖𝑘 = 𝑛−1 ∑𝑛𝑟=1 ( )( ) (2)
√𝑠𝑖𝑖 √𝑠𝑘𝑘
mencapai umur 𝑋, pada suatu tahun
dimana 𝑖 = 1,2, … 𝑝 dan 𝑘 = 1,2, … 𝑝
tertentu, dalam situasi mortalitas yang
berlaku di lingkungan masyarakat nilai 𝑟𝑖𝑘 berada antara −1 ≤ 𝑟𝑖𝑘 ≤ 1, ketika 𝑟𝑖𝑘 =
(Anonim, 2014b). 0 artinya tidak ada hubungan antar variabel,
Status Gizi Buruk Balita hubungannya sempurna bila 𝑟𝑖𝑘 = ±1, +1 artinya
Status gizi balita dapat diukur hubungannya searah dan -1 bila berlawanan arah
berdasarkan umur, berat badan(BB) dan (Johnson dan Winchern, 2002).
tinggi badan (TB). Variabel umur, BB dan Pengujian Kebebasan Linier Antar Variabel
TB ini disajikan dalam bentuk tiga indikator Dependent
atropometri, yaitu : berat badan menurut Pengujian kebebasan antar variabel
umur (BB/U), tinggi badan menurut umur dependent digunakan untuk melihat apakah ada
(TB/U) dan berat badan menurut tinggi hubungan antara tiap variabel dependent sebagai
badan (BB/TB) (Anonim, 2013). syarat pada model regresi multivariat. Jika
Faktor-faktor yang Mempengaruhi Derajat variabel dependent bersifat tidak saling bebas
Kesehatan maka analisis regresi multivariat dapat
Menurut Blum (1984) ada 4 faktor yang dilanjutkan, jika tidak maka akan dilanjutkan
mempengaruhi derajat kesehatan masyarakat atau dengan analisis secara univariat.
perorangan. Faktor-faktor tersebut antara lain Untuk menguji kebebasan antar variabel
sebagai berikut : dependent dapat dilakukan uji Barlett Sphericity.
2
Urutan pengujiannya sebagai berikut (Nugroho, Pengujian Signifikansi Model
2008): Untuk menguji signifikansi model akan
Hipotesis : dilakukan secara serentak dan juga parsial.
𝐻0 ∶ antar variabel dependent bersifat Uji Serentak
saling bebas Pengujian secara serentak dilakukan
𝐻1 ∶ antar variabel dependent bersifat untuk mengetahui apakah secara
tidak saling bebas keseluruhan parameter signifikan dalam
Taraf Pengujian : model, dengan urutan pengujiannya sebagai
𝛼 = 0.05 berikut (Johnson dan Wichern, 2002):
Kriteria Pengambilan Keputusan : Hipotesis :
Uji Barlett Sphericity akan menolak 𝐻0 ∶ 𝜷𝟏𝟏 = 𝜷𝟏𝟐 = ⋯ = 𝜷𝒒𝟏 = ⋯ =
𝐻0 jika nilai 𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 > 𝒳 2 𝑝(𝑝−1) 𝜷𝒒𝒑 = 0 (model tidak
𝛼,
2
signifikan)
Uji Barlett Sphericity akan menerima
𝐻1 ∶ Tidak semua 𝜷𝒒𝒑 sama dengan
𝐻0 jika nilai 𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝒳 2 𝑝(𝑝−1)
𝛼,
2 nol (model signifikan)
Statistik Uji : Taraf Pengujian :
(2𝑝+5) 𝛼 = 0,05
𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 = − [(𝑁 − 1) − 6 ] ln |𝑹| (3)
Kriteria Pengambilan Keputusan :
Jika Λℎ𝑖𝑡𝑢𝑛𝑔 ≤ Λ𝛼;𝑝;𝑣𝐻 ;𝑣𝐸 maka 𝐻0
Keterangan :
ditolak
𝑁 : Jumlah observasi
|𝑹| : Determinan matriks korelasi Jika Λℎ𝑖𝑡𝑢𝑛𝑔 > Λ𝛼;𝑝;𝑣𝐻 ;𝑣𝐸 maka 𝐻0
dari masing-masing variabel diterima
dependent Statistik Uji :
|𝑬|
𝑝 : Jumlah variabel dependent Λ = |𝑬+𝑯| (6)
Kesimpulan : Dengan
Jika 𝐻0 ditolak berarti antar variabel 𝑯=𝜷 ̂ 𝑇 𝑿𝑻 𝑿𝜷
̂
dependent bersifat tidak saling bebas, tetapi
jika 𝐻0 diterima berarti antar variabel 𝑬 = 𝒀𝑇 𝒀 − 𝑯
dependent bersifat saling bebas.
Estimasi Parameter Model Multivariat 𝑬 + 𝑯 = 𝒀𝑻 𝒀
Pada regresi multivariat estimator dari
kuadrat terkecil 𝜷̂ dapat dibuat dengan bentuk
Kesimpulan :
sebagai berikut: Jika 𝐻0 ditolak maka secara
̂ = (𝑿𝑇 𝑿)−1 𝑿𝑇 𝒀
𝜷 keseluruhan parameter tidak sama dengan
Akaike Information Criteria Corrected (AICC) nol sehingga model signifikan, tetapi Jika
Metode dalam pemilihan model terbaik 𝐻0 diterima maka secara keseluruhan
yang akan digunakan adalah metode AICC yaitu parameter sama dengan nol sehingga model
Akaike Information Criteria Corrected (Hurvich tidak signifikan.
dan Tsai, 1989). Uji Parsial
Berikut perhitungan nilai AICC : Pengujian ini bertujuan untuk melihat
𝐴𝐼𝐶𝐶 = 𝑛(ln|Σ̂| + 𝑞) + 2(𝑝 + 𝑞 pengaruh signifikan setiap variabel
𝑛
+0.5𝑞(𝑞 + 1))((𝑛−𝑝−𝑞−1)) (5) independent terhadap variabel-variabel
dependent secara parsial. Dengan tahapan
dimana 𝑞 menyatakan banyaknya variabel
pengujiannya sebagai berikut (Johnson dan
dependent, 𝑝 menyatakan banyaknya variabel
̂ | adalah matriks varian Wichern, 2002):
independent dan |∑ Hipotesis :
kovarian residual berukuran 𝑁 × 𝑁 (Cavanaugh, 𝐻0 ∶ 𝜷𝒒𝟏 = 𝜷𝒒𝟐 = ⋯ = 𝜷𝒒𝒑 = 0
1997).
(parameter regresi independent
Himpunan variabel independent terbaik 𝑿
𝑞 terhadap variabel dependent 𝑝
adalah himpunan variabel yang memiliki nilai
AICC yang terkecil (Cavanaugh, 1997).
3
tidak berpengaruh secara Uji Asumsi Residual Bersifat Identik
signifikan) Untuk menguji syarat ini dapat
𝐻1 ∶ Tidak semua 𝜷𝒒𝒑 sama dengan menggunakan statistik uji Box’s M
nol (parameter regresi (Rencher, 2002)
independent 𝑞 terhadap variabel Hipotesis :
dependent 𝑝 berpengaruh secara 𝐻0 ∶ 𝚺𝟏 = 𝚺𝟐 = ⋯ = 𝚺𝒌 = ⋯ = 𝚺
signifikan) 𝐻1 ∶ Minimal ada satu : 𝚺𝒊 ≠ 𝚺𝒋 untuk
Taraf Pengujian : 𝑖≠𝑗
𝛼 = 0,05 Taraf Pengujian :
Kriteria Pengambilan Keputusan : 𝛼 = 0,05
Jika Λℎ𝑖𝑡𝑢𝑛𝑔 ≤ Λ𝛼;𝑝;𝑣𝐻 ;𝑣𝐸 maka 𝐻0 Kriteria Pengambilan Keputusan :
2
ditolak Jika 𝑢 > 𝒳𝑡𝑎𝑏𝑒𝑙 =
2
Jika Λℎ𝑖𝑡𝑢𝑛𝑔 > Λ𝛼;𝑝;𝑣𝐻 ;𝑣𝐸 maka 𝐻0 𝒳𝛼,1(𝑘−1)𝑝(𝑝+1) maka 𝐻0 ditolak.
2
diterima 2
Jika 𝑢 ≤ 𝒳𝑡𝑎𝑏𝑒𝑙 =
Statistik Uji : 2
|𝑬| 𝒳𝛼,1(𝑘−1)𝑝(𝑝+1) maka 𝐻0 diterima.
Λ = |𝑬+𝑯| (7) 2
Statistik Uji :
Dengan
𝑢 = −2(1 − 𝑐1 ) ln 𝑀 (9)
𝑯=𝜷 ̂ 𝑇 𝑿𝑻 𝑿𝜷
̂
Dengan
1
ln 𝑀 = 2 ∑𝑘𝑖=1 𝑣𝑖 𝑙𝑛|𝒔𝒊 | −
𝑬 = 𝒀𝑇 𝒀 − 𝑯
1
(∑𝑘𝑖=1 𝑣𝑖 )ln |𝑺𝒑𝒐𝒐𝒍 |
𝑻 2
𝑬+𝑯=𝒀 𝒀 ∑𝑘𝑖=1 𝑣𝑖 𝑺𝒊
𝑺𝒑𝒐𝒐𝒍 = ∑𝑘
𝑖=1 𝑣𝑖
Kesimpulan :
Jika 𝐻0 ditolak maka parameter 1 1 2𝑝2 +3𝑝−1
regresi independent 𝑞 terhadap variabel 𝑐1 = [∑𝑘𝑖=1 𝑣 − ∑𝑘 ] [6(𝑝+1)(𝑘−1)]
𝑖 𝑖=1 𝑖𝑣
dependent p berpengaruh secara signifikan,
tetapi Jika 𝐻0 diterima maka parameter 𝑣𝑖 = 𝑛𝑖 − 1
regresi independent 𝑞 terhadap variabel
dependent p tidak berpengaruh secara Keterangan :
signifikan. k : Banyaknya kelompok
Keeratan Hubungan Variabel Dependent dan 𝑝 : Banyaknya variabel residual
Independent 𝑺𝒊 : Matriks varian – kovarian
Pada regresi multivariat, ukuran yang residual kelompok ke – 𝑖
digunakan untuk mengukur hubungan antar 𝑛𝑖 : Jumlah observasi kelompok ke
variabel dependent dan independent adalah Eta –𝑖
Square Lambda yang dinyatakan oleh persamaan Kesimpulan :
𝜂Λ2 = 1 − Λ (8) Jika 𝐻0 ditolak yang berarti matriks-
2
dengan Λ adalah nilai wilk’s lambda, 𝜂Λ adalah matriks varian kovarian residual adalah
nilai keterkaitan antar variabel dependent dan tidak homogen, tetapi Jika 𝐻0 diterima yang
independent dengan 0 ≤ 𝜂Λ2 ≤ 1. Artinya, berarti matriks-matriks varian kovarian
semakin mendekati 1 berarti hubungan antara residual adalah homogen dan dapat
variabel dependent dan independent semakin erat disimpulkan residual bersifat identik.
(Rencher, 2002). Uji Asumsi Residual Bersifat Saling
Uji Asumsi Residual Bebas
Ada tiga asumsi residual yang harus dipenuhi Untuk menguji syarat ini dapat
dalam model regresi multivariat yaitu residual dilakukan uji Barlett Sphericity. Urutan
bersifat identik, residual bersifat saling bebas, dan pengujiannya sebagai berikut (Nugroho,
residual berdistribusi normal. 2008):
4
Hipotesis : Keterangan :
𝐻0 ∶ Residualnya bersifat saling 𝜺̂𝑖 : Vektor residual
bebas pengamatan ke − 𝑖
𝐻1 ∶ Residualnya bersifat tidak saling 𝜺̂𝑖 : Vektor rata-rata residual
bebas pengamatan
Taraf Pengujian : (𝑺𝒊 )−𝟏 : Invers matriks varian-
𝛼 = 0,05 kovarian residual berukuran 𝑞 × 𝑞
Kriteria Penolakan : Kesimpulan :
Uji Barlett akan menolak 𝐻0 jika nilai Jika 𝐻0 ditolak berarti residualnya
𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 > 𝒳 2 𝑝(𝑝−1) berdistribusi normal multivariat, tetapi Jika
𝛼,
2
Uji Barlett akan menerima 𝐻0 jika 𝐻0 diterima berarti residualnya
berdistribusi normal multivariat.
nilai 𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝒳 2 𝑝(𝑝−1)
𝛼,
2
Statistik Uji : HASIL dan PEMBAHASAN
(2𝑝+5)
𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 = − [(𝑁 − 1) − 6 ] ln |𝑹| (10) Statistik Deskriptif Variabel Dependent
5
adalah dengan menghitung matriks korelasi antar Dengan menggunakan persamaan 4
variabel (Johnson dan Winchern, 2002). ̂ berukuran (7 × 3) sebagai
diperoleh matriks 𝜷
berikut :
Dengan menggunakan persamaan (2)
diperoleh matriks korelasi sebagai berikut: −0,000 0,000 −0,000
−0,023 0,271 −0,382
1 −0,51205 0,17352
0,169 −0,242 0,096
𝑹 = [−0,51205 1 −0,43319] ̂ (𝟕 × 𝟑)
𝜷 = −0,491 0,015 −0,259
0,17352 −0,43319 1
−0,411 0,528 −0,144
Berdasarkan matriks R di atas dapat di −0,314 0,306 −0,025
simpulkan karena tidak ada nilai 0 diantara [−0,022 −0,027 0,090 ]
hubungan antar variabel maka hubungan antar
Matriks ini biasa disebut sebagai parameter
variabel dependent dikatakan sempurna.
regresi.
Pengujian Kebebasan Linier Antar Variabel
Dari matriks yang diperoleh di atas dapat
Dependent
dibuat model regresi multivariat sebagai berikut :
Hipotesis :
𝐻0 ∶ Antar variabel dependent bersifat 𝒀𝟏 = −0,000 − 0,023𝑿𝟏 + 0,169𝑿𝟐
saling bebas
𝐻1 ∶ Antar variabel dependent bersifat −0,491𝑿𝟑 − 0,411𝑿𝟒 − 0,314𝑿𝟓
tidak saling bebas −0,022𝑿𝟔
Taraf Pengujian :
𝛼 = 0,05 𝒀𝟐 = 0,000 + 0,271𝑿𝟏 − 0,242𝑿𝟐 + 0,015𝑿𝟑
Kriteria Pengambilan Keputusan :
+0,528𝑿𝟒 + 0,306𝑿𝟓 − 0,027𝑿𝟔
Uji Barlett Sphericity akan menolak
𝐻0 jika nilai 𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 > 𝒳 2 𝑝(𝑝−1) 𝒀𝟑 = −0,000 − 0,382𝑿𝟏 + 0,096𝑿𝟐
𝛼,
2
Uji Barlett Sphericity akan menerima −0,259𝑿𝟑 − 0,144𝑿𝟒 − 0,025𝑿𝟓
𝐻0 jika nilai 𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝒳 2 𝑝(𝑝−1)
𝛼,
2
−0,090𝑿𝟔
Statistik Uji :
Pemilihan Model Terbaik dengan Metode
Dengan menggunakan persamaan
𝑨𝑰𝑪𝑪
(2.7.1) diperoleh hasil sebagai berikut
Dengan menggunakan persamaan (5)
:
diperoleh nilai-nilai AICC sebagai berikut :
(2(3) + 5)
𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 = − [(33 − 1) − ] Tabel 4. Nilai 𝐴𝐼𝐶𝐶 dari Kombinasi Variabel X
6
ln(0,5970) No Variabel Independent 𝐴𝐼𝐶𝐶
= 15,560 1 𝑿𝟏 73,53876
Kesimpulan : 2 𝑿𝟐 73,53869
Karena nilai 𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 = 15,560 > 3 𝑿𝟑 73,53874
2
𝒳0.05,3 = 7,815 maka 𝐻0 ditolak yang 4 𝑿𝟒 73,53873
artinya antar variabel dependent bersifat 5 𝑿𝟓 73,53867
tidak saling bebas. 6 𝑿𝟔 77,23119
Estimasi Parameter
7 𝑿𝟏 𝑿𝟐 70,71974
Selanjutnya parameter-parameter pada
regresi multivariat perlu diestimasi terlebih ⋮ ⋮ ⋮
dahulu. Estimasi ini bertujuan untuk 60 𝑿𝟏 𝑿𝟑 𝑿𝟒 𝑿𝟓 𝑿𝟔 45,13714
mendapatkan dugaan besarnya nilai-nilai 61 𝑿𝟐 𝑿𝟑 𝑿𝟒 𝑿𝟓 𝑿𝟔 55,46514
parameter-parameter pada regresi multivariat. 62 𝑿𝟏 𝑿𝟐 𝑿𝟑 𝑿𝟒 𝑿𝟓 𝑿𝟔 33,86527
(Rencher, 2002).
Berdasarkan nilai dari Tabel 4. di atas
didapatkan variabel independent terbaik adalah
6
variabel 𝑿𝟏 , 𝑿𝟐 , 𝑿𝟑 , 𝑿𝟒 , 𝑿𝟓 𝑑𝑎𝑛 𝑿𝟔 yaitu masing- signifikan setiap variabel independent
masing adalah persentase penolong kelahiran dari terhadap variabel-variabel dependent secara
tenaga medis, persentase rumah tangga parsial. Tahapan pengujiannya sebagai
menggunakan air minum layak, persentase berikut (Johnson dan Wichern, 2002):
imunisasi lengkap, persentase rumah tangga Hipotesis :
menggunakan fasilitas jamban sendiri, persentase a. Variabel 𝑿𝟏 persentase
penduduk yang menderita penyakit diabetes dan penolong kelahiran oleh
persentase pemberian ASI ekslusif. tenaga medis
𝐻0 : 𝜷𝟏𝟏 = 𝜷𝟏𝟐 = 𝜷𝟏𝟑 =
Pengujian Signifikansi Model Regresi
0
Untuk menguji signifikansi model akan
𝐻1 : Minimal ada satu
dilakukan secara serentak dan juga parsial.
𝜷𝒒𝒑 ≠ 0
Uji Serentak
Pengujian secara serentak dilakukan b. Variabel 𝑿𝟐 persentase
untuk mengetahui apakah secara rumah tangga
keseluruhan parameter signifikan dalam menggunakan fasilitas air
model, dengan urutan pengujiannya sebagai minum sendiri
berikut (Johnson dan Wichern, 2002): 𝐻0 : 𝜷𝟐𝟏 = 𝜷𝟐𝟐 = 𝜷𝟐𝟑 =
Hipotesis : 0
𝐻0 ∶ 𝜷𝟏𝟏 = 𝜷𝟏𝟐 = ⋯ = 𝜷𝒒𝟏 = 𝐻1 : Minimal ada satu
𝜷𝒒𝒑 ≠ 0
⋯ = 𝜷𝒒𝒑 = 0 (model
tidak signifikan) c. Variabel 𝑿𝟑 persentase
imunisasi lengkap
𝐻1 ∶ Tidak semua 𝜷𝒒𝒑 sama
𝐻0 : 𝜷𝟑𝟏 = 𝜷𝟑𝟐 = 𝜷𝟑𝟑 =
dengan nol (model
0
signifikan)
𝐻1 : Minimal ada satu
Taraf Pengujian :
𝜷𝒒𝒑 ≠ 0
𝛼 = 0,05
Kriteria Pengambilan Keputusan : d. Variabel 𝑿𝟒 persentase
Jika Λℎ𝑖𝑡𝑢𝑛𝑔 ≤ rumah tangga
menggunakan fasilitas
Λ𝛼;𝑝;𝑣𝐻 ;𝑣𝐸 maka 𝐻0 ditolak
jamban sendiri
Jika Λℎ𝑖𝑡𝑢𝑛𝑔 > 𝐻0 : 𝜷𝟒𝟏 = 𝜷𝟒𝟐 = 𝜷𝟒𝟑 =
Λ𝛼;𝑝;𝑣𝐻 ;𝑣𝐸 maka 𝐻0 diterima 0
Statistik Uji : 𝐻1 : Minimal ada satu
Dengan menggunakan 𝜷𝒒𝒑 ≠ 0
persamaan (6) diperoleh hasil sebagai e. Variabel 𝑿𝟓 persentase
berikut : penduduk yang menderita
|𝑬 | 4648,93
Λ= = = 0,237 penyakit diabetes
|𝑬 + 𝑯| 19563,11 𝐻0 : 𝜷𝟓𝟏 = 𝜷𝟓𝟐 = 𝜷𝟓𝟑 =
Kesimpulan : 0
Karena didapat nilai Λℎ𝑖𝑡𝑢𝑛𝑔 = 𝐻1 : Minimal ada satu
𝜷𝒒𝒑 ≠ 0
0,237 ≤ Λ0,05;3;6;30 = 0,392 maka
𝐻0 ditolak yang artinya secara f. Persentase 𝑿𝟔 pemberian
serentak multivariat, paling tidak ada ASI eksklusif
satu parameter yang signifikan 𝐻0 : 𝜷𝟔𝟏 = 𝜷𝟔𝟐 = 𝜷𝟔𝟑 =
berpengaruh terhadap model. 0
Uji Parsial 𝐻1 : Minimal ada satu
Pengujian yang dilakukan setelah 𝜷𝒒𝒑 ≠ 0
menguji model secara serentak yaitu Taraf Pengujian :
melakukan uji parsial. Pengujian ini 𝛼 = 0,05
bertujuan untuk melihat pengaruh
7
Kriteria Pengambilan Keputusan : Pengujian Asumsi Residual
Jika Λℎ𝑖𝑡𝑢𝑛𝑔 ≤ Pengujian Asumsi Residual Bersifat
Λ𝛼;𝑝;𝑣𝐻 ;𝑣𝐸 maka 𝐻0 ditolak Identik
Jika Λℎ𝑖𝑡𝑢𝑛𝑔 > Untuk menguji syarat ini dapat
Λ𝛼;𝑝;𝑣𝐻 ;𝑣𝐸 maka 𝐻0 diterima dipergunakan statistik uji Box’s M
(Rencher, 2002)
Statistik Uji :
Hipotesis :
Dengan menggunakan
𝐻0 ∶ 𝚺𝟏 = 𝚺𝟐 = ⋯ = 𝚺𝒌 = ⋯ = 𝚺
persamaan (7) diperoleh hasil yang
𝐻1 ∶ Minimal ada satu : 𝚺𝒊 ≠ 𝚺𝒋 untuk
dibuat dalam bentuk tabel sebagai
berikut : 𝑖≠𝑗
Tabel 5. Nilai Wilk’s Lamda dari Taraf Pengujian :
setiap variabel 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑒𝑛𝑡 𝛼 = 0,05
Kriteria Pengambilan Keputusan :
Variabel Wilk’s Λ0,05;3;1;31 Jika 2
𝑢 > 𝒳𝑡𝑎𝑏𝑒𝑙 =
Lambda 2
𝒳𝛼,1(𝑘−1)𝑝(𝑝+1) maka 𝐻0 ditolak.
𝑿𝟏 0,680 0,760 2
2
𝑿𝟐 0,886 0,760 Jika 𝑢 ≤ 𝒳𝑡𝑎𝑏𝑒𝑙 =
2
𝑿𝟑 0,655 0,760 𝒳𝛼,1(𝑘−1)𝑝(𝑝+1) maka 𝐻0 diterima.
2
𝑿𝟒 0,601 0,760 Statistik Uji :
𝑿𝟓 0,937 0,760 Dengan menggunakan persamaan (9)
𝑿𝟔 0,995 0,760 diperoleh hasil sebagai berikut :
𝑢 = −2(1 − 0,0338)(−7,926) = 15,316
Kesimpulan :
Berdasarkan Tabel 5. di atas Kesimpulan :
didapatkan variabel 𝑿𝟏 , 𝑿𝟑 dan 𝑿𝟒 Karena nilai 𝑢 = 15,316 ≤
2
yang nilai Wilk’s Lamda nya ≤ 𝒳0,05;12 = 21,026 itu artinya 𝐻0 diterima
Λ0,05;3;1;31 = 0,760 maka variabel yang berarti matriks-matriks varian
𝑿𝟏 , 𝑿𝟑 dan 𝑿𝟒 signifikan terhadap kovarian residual adalah homogen dan
model, yang artinya persentase dapat disimpulkan residual bersifat identik.
penolong kelahiran oleh tenaga Pengujian Asumsi Residual Bersifat
medis, persentase imunisasi lengkap Saling Bebas
dan persentase rumah tangga Untuk menguji syarat ini dapat
menggunakan jamban sendiri dilakukan uji Barlett Sphericity. Urutan
berpengaruh secara signifikan pengujiannya sebagai berikut (Nugroho,
terhadap angka kematian bayi, angka 2008):
harapan hidup dan juga prevalensi Hipotesis :
status gizi buruk balita. 𝐻0 ∶ Antar variabel residualnya
Keeratan Hubungan Variabel Dependent dan bersifat saling bebas
Independent 𝐻1 ∶ Antar variabel residualnya
Pada regresi multivariat, ukuran yang bersifat tidak saling bebas
digunakan untuk mengukur hubungan antar Taraf Pengujian :
variabel dependent dan independent adalah Eta 𝛼 = 0,05
Square Lambda. Dengan menggunakan Kriteria Penolakan :
persamaan (8) diperoleh hasil 𝜂Λ2 = 1 − Λ = 1 – Uji Barlett akan menolak 𝐻0 jika nilai
0,2376 = 0,7623, karena nilai 𝜂Λ2 = 0,7623. Ini 𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 > 𝒳 2 𝑝(𝑝−1)
𝛼,
2
dapat dikatakan bahwa model dapat menjelaskan Uji Barlett akan menerima 𝐻0 jika
informasi data sebesar 76,23% (Rencher, 2002). nilai 𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝒳 2 𝑝(𝑝−1)
𝛼,
2
Statistik Uji :
Dengan menggunakan persamaan
(10) diperoleh hasil sebagai berikut :
8
(2(3) + 5) Berdasarkan Tabel 6. sebanyak 88%
𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 = − [(33 − 1) − ] 1
6 𝑗−
nilai 𝑑 2 (𝑗) < 𝑞𝑐,3 ( 332).
ln(0,849)
= 4,9153
Kesimpulan : b. Residual 𝜺̂𝟐
Tabel 7. Uji Residual 𝜺̂𝟐 Berdistribusi
Karena nilai 𝜆2ℎ𝑖𝑡𝑢𝑛𝑔 = 4,9153 <
2
Normal
𝒳0.05,3 = 7,815 maka 𝐻0 diterima yang 1
artinya antar residual bersifat independent 𝑗 −
𝑗 𝑑 2 (𝑗) 𝑞𝑐,3 ( 2)
atau saling bebas. 33
Pengujian Asumsi Residual Berdistribusi
Normal Multivariat 1 0,002 0,045
Pengujian asumsi residual
berdistribusi normal dapat dilakukan 2 0,002 0,136
dengan melihat banyaknya nilai 𝑑𝑖2 yang
kurang dari nilai kuantil Chi-square. Jika ⋮ ⋮ ⋮
nilai 𝑑𝑖2 yang kurang dari nilai kuantil Chi-
33 6,909 2,954
square lebih dari 50% maka residual
berdistribusi normal multivariat. Urutan
pengujiannya sebagai berikut (Johnson dan
Wichern, 2002): Berdasarkan Tabel 7. sebanyak 93%
1
Hipotesis : 2
𝑗−
2
𝐻0 ∶ Residual berdistribusi normal nilai 𝑑 (𝑗) < 𝑞𝑐,3 ( 33 ).
multivariat
𝐻1 ∶ Residual tidak berdistribusi c. Residual 𝜺̂𝟑
normal multivariat
Tabel 8. Uji Residual 𝜺̂𝟑 Berdistribusi
Taraf Pengujian :
Normal
𝛼 = 0,05
1
Kriteria Pengambilan Keputusan : 2
𝑗−2
Tolak 𝐻0 jika > 50% nilai 𝑑𝑖2 > 𝑗 𝑑 (𝑗) 𝑞𝑐,3 ( )
1
33
𝑖−
2
𝜒𝑡𝑎𝑏𝑒𝑙 = 𝑞𝑐,3 ( 332) 1 0,001 0,045
Terima 𝐻0 jika ≥ 50% nilai 𝑑𝑖2 ≤
1 2 0,001 0,136
𝑖−
2 2
𝜒𝑡𝑎𝑏𝑒𝑙 = 𝑞𝑐,3 ( 33 )
⋮ ⋮ ⋮
Statistik Uji :
a. Residual 𝜺̂𝟏 33 18,541 2,954
Tabel 6. Uji Residual 𝜺̂𝟏 Berdistribusi
Normal
1 Berdasarkan Tabel 8. sebanyak 93%
2
𝑗−2
𝑗 𝑑 (𝑗) 𝑞𝑐,3 ( ) 𝑗−
1
33 nilai 𝑑 2
(𝑗)
2
< 𝑞𝑐,3 ( 33 ).
1 0,000 0,045
Kesimpulan :
2 0,000 0,136 Karena masing-masing variabel
residual ≥ 50% nilai 𝑑𝑖2 ≤ 𝜒𝑡𝑎𝑏𝑒𝑙
2
=
1
⋮ ⋮ ⋮ 𝑖−
2
𝑞𝑐,3 ( 33 ) maka setiap variabel residual
33 4,525 2,954 berdistribusi normal sehingga secara
bersama-sama (multivariat) variabel
9
tersebut juga dapat dianggap memenuhi kesehatan di Indonesia dan juga
asumsi normal multivariat (Nugroho, menggunakan metode-metode
2008). pemilihan model terbaik yang lain.
11