TUGAS BIOSTATISTIK

RESUME TENTANG

CHI SQUARE DAN ANALISIS MULTIVARIAT

OLEH :

KELAS B12-B

NI KADEK SUKRAENI PEBREYANTI

(193223135)

PROGRAM STUDI ILMU KEPERAWATAN

STIKES WIRA MEDIKA PPNI BALI

TAHUN 2020
 PEMBAHASAN

1. Chi Square
a. Tabulasi Silang (crosstab)

Statistik deskriptif crosstab (tabulasi silang) termasuk dalam analisis

deskripsi. Namun ada perbedaan dibandingkan dengan statistik deskriptif
frekuensi,dan eksplore. Deskriptif crosstab menyajikan data dalam bentuk tabulasi,
yang meliputi baris dan kolom. Ciri-ciri crosstab pada umumnya adalah dua
variabel atau lebih yang mempunyai hubungan secara deskriptif. Penyajian data
pada umumnya adalah data kualitatif, khususnya berskala nominal seperti
hubungan antara jenis kelamin dengan usia, jenis kelamin dengan pekerjaan dan
lain sebagainya.

Analisis table silang (crosstabs) merupakan salah satu analisis korelasional

yang digunakan untuk melihat hubungan antarvariabel (minimal 2 variabel)
kategori nominal atau ordinal. Dimungkinkan pula adanya penambahan variabel
control.

Analisis tabulasi silang merupakan salah satu analisis korelasional yang

digunakan utnuk melihat hubungan antar variable. Sehingga analisa tabulasi silang
ini dapat digunakan untuk menganalisa lebih dari dua variable.

Berikut ini salah satu contoh perhitungan yang menggunakan analisis

tabulasi silang atau crosstab. Penelitian untuk mengetahui ada tidaknya hubungan
antara jenis kelamin dengan prestasi kerja.

Untuk membuktikan hipotesis tersebut hal yang terlebih dahulu dilakukan

adalah membuat penelitian seperti mengadakan survei di suatu perusahaan atau
organisasi. Data tersebut dapat diperoleh dari kuesioner yang dibagikan kepada
beberapa responden. Dalam contoh ini, kita mengambil responden sebanyak 30
orang. Dari data tersebut dapat menghasilkan data seperti contoh berikut ini:
Untuk memudahkan analisa maka kita dapat membuat kode pada jenis kelamin dan
prestasi kerja.

Tabel 1. Pemberian Kode pada Variabel Jenis Kelamin dan Prestasi Kerja

No Jenis Kelamin Prestasi Kerja

1. Value 1 = Laki-Laki Value 1 = Rendah misal skor 0-40
2. Value 2 = Wanita Value 2 = Sedang misal skor 41-80
3. Value 3 = Tinggi misal skor 81-120

Setelah data yang diperoleh diubah menjadi data nominal, yakni dengan memberi
kode pada setiap variable maka dapat disajikan menjadi seperti tabel di bawah ini:

Tabel 2. Data-data yang diperoleh telah diubah sesuai ketentuan kode pada tabel 1

No Jenis Kelamin Prestasi Kerja

1 1 1
2 1 2
3 2 3
4 2 1
5 1 3
6 2 2
7 1 2
8 1 1
9 1 3
10 2 2
11 2 3
12 2 1
13 1 1
14 1 1
15 2 2
16 1 1
17 1 2
18 2 3
19 2 1
20 1 3
21 2 2
22 1 2
23 1 1
24 1 3
25 2 2
26 2 3
27 2 1
28 1 1
29 1 1
30 1 1

Setelah kita memberi kode seperti contoh tersebut di atas, maka kita telah siap untuk
mengadakan analisa crosstab atau analisa tabulasi silang. Langkah-langkahnya
sebagai berikut :

Membuka program SPSS dengan cara :

• Double klik pada shortcut yang terdapat pada dekstop komputer

• Atau dengan cara Start > All Program > SPSS for Windows

Kedua cara tersebut akan muncul tampilan SPSS yang mirip dengan tampilan
Microsoft Excel. Setelah itu, secara otomatis output akan keluar. Seperti gambar
berikut :
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
Jenis Kelamin * Prestasi
30 100.0% 0 .0% 30 100.0%
Kerja

Penjelasan output:

Pada tabel Case Processing Summary, menunjukkan dalam penelitian tersebut

terdapat 30 sampel. Tidak ada yang hilang atau missing sehingga tingkat
kevalidannya adalah 100%.
Jenis Kelamin * Prestasi Kerja Crosstabulation
Prestasi Kerja
Rendah Sedang Tinggi Total
Jenis Laki- Count 9 4 4 17
Kelamin Laki Expected Count 7.4 5.1 4.5 17.0
% within Jenis
52.9% 23.5% 23.5% 100.0%
Kelamin
% within Prestasi
69.2% 44.4% 50.0% 56.7%
Kerja
% of Total 30.0% 13.3% 13.3% 56.7%
Wanita Count 4 5 4 13
Expected Count 5.6 3.9 3.5 13.0
% within Jenis
30.8% 38.5% 30.8% 100.0%
Kelamin
% within Prestasi
30.8% 55.6% 50.0% 43.3%
Kerja
% of Total 13.3% 16.7% 13.3% 43.3%
Total Count 13 9 8 30
Expected Count 13.0 9.0 8.0 30.0
% within Jenis
43.3% 30.0% 26.7% 100.0%
Kelamin
% within Prestasi
100.0% 100.0% 100.0% 100.0%
Kerja
% of Total 43.3% 30.0% 26.7% 100.0%
Penjelasan output:

Pada tabel Jenis Kelamin * Prestasi Kerja Crosstabulation menunjukkan data

objektif/ frekuensi nyata (Count) dan frekuensi harapan (Expected Count) baik
dalam bentuk skor maupun presentase.

Kesimpulan: Dari penelitian tersebut terdapat 9 karyawan laki-laki yang memiliki

prestasi kerja rendah, 4 karyawan laki-laki berprestasi kerja sedang dan 4 sisanya
berprestasi tinggi.

Sedangkan untuk karyawan wanita, 4 wanita mempunyai prestasi kerja

rendah, 5 orang memiliki prestasi kerja sedang dan 4 orang lainnya mempunyai
prestasi kerja tinggi.

Chi-Square Tests
Asymp. Sig.
Value df (2-sided)
Pearson Chi-Square 1.528a 2 .466
Likelihood Ratio 1.550 2 .461
Linear-by-Linear
.916 1 .338
Association
N of Valid Cases 30
a. 3 cells (50,0%) have expected count less than 5. The
minimum expected count is 3,47.

Penjelasan output:

• Untuk tabel Chi-Square Tests, menunjukkan hasil Chi Kuadrat (Chi Square)
hitung sebesar 1.528. Tingkat signifikan = 0,05 % yang telah ditentukan
terlebih dahulu sebelum melakukan penelitian.
• Keputusan = 0.05 Asymp. Sig. (2-sided) maka Ho diterima dan Ha ditolak.
• Bila = 0.05 Asymp. Sig. (2-sided) maka Ho ditolak dan Ha diterima.
 Kesimpulan : Dari tabel Chi Square tersebut di atas, dapat diketahui bahwa 0.05
Asymp. Sig. (2-sided) yakni 0.466 maka Ho diterima dan Ha ditolak. Atau dengan
kata lain tidak terdapat hubungan antara jenis kelamin dengan prestasi kerja.

b. Uji Kesesuaian

Metode ini dikembangkan oleh Pearson tahun 1900 yang merupakan

perhitungan suatu kuantitas yang disebut Kai Kuadrat . Metode ini sangat
bermanfaat ketika data yang tersedia hanya berupa frekuensi (disebut count),
misalnya banyaknya subjek dalam kategori sakit dan tidak sakit, atau banyaknya
penderita diabetes mellitus dalam kategori I, II, III, IV menurut keparahan
penyakitnya.

Uji kai kuadrat untuk satu sampel dapat dipakai untuk menguji apakah data
sebuah sampel yang diambil menunjang hipotesa yang menyatakan bahwa populasi
asal sampel tersebut mengikuti suatu distribusi yang telah ditetapkan. Oleh karena
itu uji ini disebut juga uji keselarasan (goodness of fit test), karena untuk menguji
apakah sebuah sampel selaras dengan salah satu distribusi teoritis (seperti distribusi
normal, uniform, binomial dan lainnya).

Rumus yang digunakan untuk uji ini sama dengan rumus umum Uji Kai Kuadrat :

Contoh Kasus :

Sebuah survei berminat menyelidiki determinasi orang dalam mencegah

factor-faktor risiko penyakit jantung koroner. Setiap subjek dari sampel berukuran
200 orang diminta menyatakan sikapnya terhadap sebuah pertanyaan kuesioner
sebagai berikut “ apakah anda yakin dapat menghindari makanan berkolesterol
tinggi” dengan hasil 70 orang sangat yakin, 50 orang yakin, 45 orang ragu-ragu,
dan 35 orang sangat ragu-ragu. Dapatkah kita menarik kesimpulan berdasarkan data
tersebut, bahwa keempat sikap yang berbeda menyebar merata di dalam populasi
asal sampel.

Penyelesaian :

Buat tabel seperti ini untuk memudahkan dalam perhitungan :

Nilai E = 50, karena kita berharap bahwa jumlah yang menjawab pada masing-
masing kategorik akan berdistribusi sama. Selanjutnya masukan dalam rumus.

Dari hasil perhitungan terlihat Chi square hitung adalah 13. Selanjutnya melihat
nilai tabel pada kemaknaan alfa = 0.05 pada df = 4-1 = 3.

Dari tabel chi square diperoleh chi square tabel dengan df= 3 adalah 7,815, berarti
Chi-square hitung > chi-square tabel, maka Ho ditolak. Artinya sikap responden
 terhadap pertanyaan tidak proporsional, dimana sikap responden cendrung pada
sikap tertentu.

c. Uji Independensi

Chi-Kuadrat Untuk Pengujian Independensi

Di bidang kedokteran tidaki jarang kita menemukan dua variable di mana

masing-masing variable terdiri dari beberapa kategori, misalnya tingkat beratnya
penyakit dan tingkat kesembuhan. Bila kita ingin mengetahui apakah di antara dua
variable tersebut terdapat hubungan atau tidak, dengan kata lain apakah kedua
variabel tersebut tersebut bersifat dependen atau independen, maka pengujian
hipotesis dilakukan dengan 𝑥 2 .

Interpretasi hasil pengujian ialah apabila hipotesis nol diterima, berarti tidak
ada hubungan (independen), tetapi bila hasilnya menolak hipotesis nol maka
dikatakan kedua variable tersebut mempunyai hubungan atau dependen. Rumus
yang digunakan adalah rumus umum 𝑥 2.

Contoh:

Sebuah penelitian dilakukan oleh seorang kepala rumah sakit untuk

mengetahui apakah ada hubungan antara tingkat pendidikan dengan kelas ruang
rawat inap. Untuk kepentingan tersebut diambil sampel sebanyak 200 orang
penderita dengan hasil sebagai berikut.

Ho : variable 1 dan variabel 2 bersifat independen

Ha : variable 1 dan variabel 2 bersifat dependen

1. 70 orang dengan pendidikan SD

20 orang memilih kelas 1
40 orang memilih kelas 2
10 orang memilih kelas 3
2. 50 orang berpendidikan SLTP
25 orang memilih kelas 1
15 orang memilih kelas 2
 10 orang memilih kelas 3
3. 40 orang berpendidikan SLTA
15 orang memilih kelas 1
10 orang memilih kelas 2
15 orang memilih kelas 3
4. 40 orang berpendidikan akademi atau perguruan tinggi
20 orang memilih kelas 1
5 orang memilih kelas 2
15 orang memilih kelas 3

Data di atas dapat disajikan dalam bentuk table seperti berikut :

Kelas Pendidikan Jumlah

ruang
SD SLTP SLTA PT

1 20 25 15 20 80
2 40 15 10 5 70
3 10 10 15 15 50

Jumlah 70 50 40 40 200

Hasil perhitungan :

O E (O-E) (O-E)2 (O-E)2/E

20 28 -8 64 2,29

25 20 5 25 1,25

15 16 -1 1 0,06
20 16 4 16 1,00

40 24,5 15,5 240,25 9,81

15 17,5 -2,5 6,25 0,06

10 14 4 16 1,14

5 14 -9 81 5,75

10 12,5 -2,5 6,25 0,50

10 17,5 -7,5 56,25 3,21

15 10 5 25 2,5

15 10 5 25 2,5

30,11

X2 = 0,05,dk6 = 12,59

Hipotesis ditolak pada derajat kemaknaan 0,05 atau p > 0,05.

Kesimpulannya, kita 95% percaya bahwa terdapat hubungan antara tingkat

pendidikan dengan ruang rawat inap.
2. Analisis Multivariat
a. Pengertian Analisis Multivariat
Analisis Multivariat adalah metode pengolahan variabel dalam jumlah
yang banyak, dimana tujuannya adalah untuk mencari pengaruh variabel-
variabel tersebut terhadap suatu obyek secara simultan atau serentak. Metode
analisis multivariat adalah suatu metode statistika yang tujuan digunakannya
adalah untuk menganalisis data yang terdiri dari banyak variabel serta diduga
antar variabel tersebut saling berhubungan satu sama lain. Analisis multivariat
adalah salah satu dari teknik statistik yang diterapkan untuk memahami struktur
data dalam dimensi tinggi. Dimana variabel-variabel yang dimaksud tersebut
saling terkait satu sama lain. Berdasarkan beberapa definisi Analisis Multivariat
di atas, maka statistikian menyimpulkan bahwa yang dimaksud dengan Analisis
Multivariat adalah suatu analisis yang melibatkan variabel dalam jumlah lebih
dari atau sama dengan 3 variabel.
Dimana minimal ada satu variabel terikat dan lebih dari satu variabel
bebas serta terdapat korelasi atau keterikatan antara satu variabel dengan
variabel lainnya. Maka dapat diartikan bahwa Analisis Multivariat juga
merupakan analisis yang melibatkan cara perhitungan yang kompleks. tujuannya
adalah agar dapat memahami struktur data berdimensi tinggi dan saling terkait
satu sama lain.

b. Teori Analisis Multivariat

Teori dari Metode analisis multivariat dalam hal ini sebenarnya telah
diketahui sejak lama sekali, hanya saja karena cara perhitungannya yang rumit
maka jarang sekali diterapkan. Tetapi akhir-akhir ini, bersamaan dengan
berkembangnya teknologi. Dimana muncul aplikasi komputer seperti SPSS
untuk menghitung atau menganalisis metode statistik dengan mudah. Maka
barulah Analisis Multivariat ini sering digunakan oleh para peneliti karena
kemudahan-kemudahan yang diberikan oleh aplikasi komputer dan banyaknya
informasi yang bisa didapat dari Analisis Multivariat ini.
Statistikian juga berpendapat bahwa telah sering terjadi kesalahpahaman
yang mendasar dari para mahasiswa atau bahkan para peneliti. Yaitu tentang
 definisi Analisis Multivariat, yaitu kerancuan dalam memahami perbedaan
antara Analisis Multivariat dan analisis multiple. Perlu dipahami dan
diperhatikan, bahwa pengertian Analisis Multivariat benar-benar berbeda
dengan analisis multiple atau disebut juga analisis multivariabel. Kalau tentang
Analisis Multivariat sudah dibahas di atas, saatnya kita coba kupas tentang
analisis multivariabel.
c. Jenis Data Dalam Analisis Multivariat
Seperti halnya analisis statistik lainnya, Analisis Multivariat yang kita
bahas ini juga tidak lepas dari jenis data atau skala data. Skala data yang
digunakan ada dua macam, yaitu data metrik dan data non metrik. Data metrik
adalah data yang bersifat numerik atau berisi angka-angka dan dapat dilakukan
perhitungan matematis di dalamnya, misal nilai ujian, tingkat IQ, berat badan,
dll. Data metrik disebut juga dengan data numerik atau data kuantitatif.
Dalam hal ini data metrik ada 2 macam, yaitu data interval dan data
rasio. Untuk lebih jelasnya pelajari artikel kami tentang skala data. Sedangkan
data non metrik adalah data non numerik atau disebut juga data kualitatif atau
data kategorik.Ada dua macam jenis data non metrik ini, yaitu data nominal dan
data ordinal. Sekali lagi, agar anda lebih paham lagi maka untuk lebih jelasnya
silahkan pelajari artikel kami tentang skala data. Sepertinya pembukaan atau
pengantar tentang Analisis Multivariat telah kita lalui. Selanjutnya kita bahas
lebih dalam lagi tentang klasifikasi Analisis Multivariat.
d. Klasifikasi Analisis Multivariat
Klasifikasi analisis multivariat ada tiga macam, yaitu yang pertama
adalah teknik dependensi atau istilah english versionnya adalah dependent
technique. Yang kedua adalah teknik interdependensi atau english versionnya
adalah interdependent technique. Dan yang ketiga atau yang terakhir adalah
dan model struktural atau english versionnya disebut dengan istilah structural
model.
Para pakar ada yang menyebutkan bahwa Analisis Multivariat hanya
dikelompokkan ke dalam 2 klasifikasi saja. Yaitu analisis dependensi dan
analisis interdependensi. Menurut statistikian, tidak ada masalah tentang
perbedaan ini, sebab para pakar yang berpendapat bahwa ada dua klasifikasi,
 telah memasukkan Model Struktural atau struktural equation modelling
sebagai bagian dari klasifikasi analisis dependensi.
3. One Way Anova
a. Pengertian One-Way ANOVA (Analysis of Variance)
Analisis of variance atau ANOVA merupakan salah satu teknik analisis
multivariate yang berfungsi untuk membedakan rerata lebih dari dua kelompok data
dengan cara membandingkan variansinya1[1]. Sedangkan menurut Teguh
Wahyono dalam bukunya, One-Way ANOVA merupakan prosedur yang
digunakan untuk menghasilkan analisis variansi satu arah untuk variabel dependen
dengan tipe data kuantitatif dengan sebuah variabel independen sebagai variabel
faktor.2[2]
Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher (Bapak
Statistika Modern). Dalam praktek, analisis varians dapat merupakan uji hipotesis
(lebih sering dipakai) maupun pendughaan (estimasi khususnya di bidang genetika
terapan).3[3] Analisis varian dapat dilakukan untuk menganalisis data yang berasal
dari berbagai macam jenis dan desain penelitian.

b. Kriteria Data One-Way ANOVA

Sebelum menguji dengan ANOVA, data harus berdistribusi normal dan
mempunyai varians yang sama.
Data yang digunakan pada One-way Anova untuk nilai variabel pada faktor harus
integer sedangkan variabel dependen harus berupa data kuantitatif (tingkat
pengukuran interval).
Asumsi yang digunakan pada One-way Anova, yaitu setiap kelompok pada sampel
acak independen dari populasi yang normal dan bervarian homogen.
Dari output uji Anova akan diperoleh nilai F hitung. Jika nilai F hitung tidak
signifikan, berarti rata-rata variabel dependen pada tingkat faktor yang ditentukan
 identik. Jika F hitung signifikan berarti terdapat perbedaan rata-rata variabel
dependen pada tingkat faktor yang telah ditentukan.
c. Kegunaan One-Way ANOVA
Analisis varian banyak dipergunakan pada penelitian-penelitian yang
banyak melibatkan pengujian komparatif yaitu menguji variabel terikat dengan cara
membandingkannya pada kelompok-kelompok sampel independen yang diamati.
Analisis varian saat ini banyak digunakan dalam penelitian survey dan penelitian
eksperimen.

Analisis varians relatif mudah dimodifikasi dan dapat dikembangkan untuk

berbagai bentuk percobaan yang lebih rumit. Selain itu, analisis ini juga masih
memiliki keterkaitan dengan analisis regresi. Akibatnya, penggunaannya sangat
luas di berbagai bidang, mulai dari eksperimen laboratorium hingga eksperimen
periklanan, psikologi, dan kemasyarakatan.
d. Prosedur menghitung One-Way Anova menggunakan Teknik Manual
Contoh soal:
Dari suatu pengamatan didapat data sebagai berikut:
Prosedur yang dicobakan
A B C
2 8 3
Data yang 0 4 8
dihasilkan 4 5 1
7 9 4
Pertanyaannya: Apakah ketiga prosedur kerja mereka berbeda?
Jawab:
1) Uji atau asumsikan bahwa data masing-masing dipilih secara acak.
2) Uji atau asumsikan bahwa data masing-masing berdistribusi normal.
3) Uji atau asumsikan bahwa data masing-masing homogen.
4) Tulis Ha dan H0 dalam bentuk kalimat.
Ha : Terdapat perbedaan yang signifikan antara A, B, dan C.
H0 :Tidak terdapat hubungan yang signifikan antara A, B, dan C.
5) Hipotesis statistiknya.
 Ha : salah satu tanda ada yang ≠
H0 : µ A = µB = µC

6) Buat tabel penolong Anova sebagai berikut:

Prosedur yang dicobakan
A B C
2 8 3
Data yang 0 4 8
dihasilkan 4 5 1
7 9 4
n1 = 4 n2 = 4 n3 = 4 N = 12
∑χ1 = 13 ∑χ2 = 26 ∑χ3 = 16 ∑χn = 55

1 = 2,35 2 = 6,5 3 =4
S2 = 8,92 S2 = 5,67 S2 = 8,67
7) Hitung jumlah kuadrat rata-rata dengan rumus:

JKR = = = 252,08
8) Hitung jumlah kuadrat antarkelompok dengan rumus:

JKA = + + + + - JKR

= + + - 252,08 = 23,17
9) Hitung jumlah kuadrat dalam kelompok dengan rumus:
JKD = ∑χ2 – JKR - JKA = 345 – 252,08 – 23,17 = 69,75
10) Hitung derajat kebebasan rata-rata dengan rumus:
dkrata-rata = 1
11) Hitung kebebasan antarkelompok dengan rumus:
dkA = k – 1 = 3 – 1 = 2
di mana k = banyak kelompok.
12) Hitung derajat kebebasan dalam kelompok dengan rumus:
 dkD = N- k = 12 – 3 = 9
di mana N = jumlah seluruh anggota sampel.
13) Hitung rata-rata jumlah kuadrat dengan rumus:

RKrata-rata = = = 252,08

14) Hitung rata-rata jumlah kuadrat antar kelompok dengan rumus:

RKA = = = 11,58
15) Hitung rata-rata jumlah kuadrat dalam kelompok dengan rumus:

RKD = = = 7,75
16) Cari Fhitung dengan rumus:

Fhitung = = = 1,49
17) Taraf signifikansi (α) = 0,05
18) Ftabel dengan rumus:
Ftabel = F(1-α)(dkA, dkD)
= F(1-0,05)(2, 9)
Dengan menggunakan tabel F didapat Ftabel = 4,26
19) Masukkan semua nilai yang telah didapat ke dalam tabel anova berikut:
Rata-rata
Jumlah
Jumlah Variasi dk Kuadrat F
Kuadrat (JK)
(RK)

Rata-rata 252,08 1 252,08

Antar
23,17 2 11,58
Kelompok 1,49

Dalam
69,75 9 7,75
Kelompok
Jumlah 345 12 - -

20) Kriteria pengujiannya yaitu:

 H0 = signifikan
Ha = tidak signifikan
Jika Fhitung < Ftabel, maka H0 diterima.
21) Ternyata 1,49 < 4,26, sehingga H0 diterima.
22) Buatlah kesimpulannya.
H0 yang berbunyi: “Tidak terdapat perbedaan yang signifikan antara A, B, dan C”,
diterima. Sebaliknya, Ha yang berbunyi: “Terdapat perbedaan yang signifikan
antara A, B, dan C”, ditolak.4[6]
e. Prosedur menghitung One-Way Anova menggunakan Teknik SPSS
Contoh soal:
Seorang guru ingin membandingkan hasil belajar antara pembelajaran kooperatif
tipe JIGSAW, STAD, dan TAI. Untuk tujuan tersebut diambil 3 sampel yang saling
bebas antara JIGSAW, STAD, dan TAI dengan asumsi bahwa sampel berasal dari
populasi yang berdistribusi normal. Data yang diperoleh sebagai berikut:
Data JIGSAW STAD TAI
1 22 25 22
2 21 29 25
3 26 28 24
4 23 30 25
5 25 25 23
6 24 27 21
7 26 26 22
8 25 25 21
9 22 27 20
10 21 28 24
Langkah-langkah pengujiannya sebagai berikut:
1) Masukkan data ke SPSS Data Editor dengan mendefinisikan variabelnya terlebih
dahulu dengan memilih layout Variable View.
2) Beri nama JIGSAW, STAD, TAI, Kelas, dan Kelompok pada kotak Name dan
beri angka 0 pada kotak Decimals untuk seluruhnya.
3) Masukkan data untuk variabel JIGSAW, STAD, dan TAI dalam satu kolom pada
variabel Kelas.
4) Beri angka 1 untuk data JIGSAW, angka 2 untuk data STAD, dan angka 3 untuk
data TAI pada kolom Kelompok. Tampilannya seperti berikut:
5) Klik Analyze → Compare Means → One-Way Anova sehingga muncul kotak
dialog One-Way Anova.

6) Masukkan variabel Pembelajaran pada kotak Dependent List dan variabel

Kelompok padakotak Factor.
7) Klik tombol Options sehingga muncul kotak dialog Options. Pilih Descriptive
dan Homogeneity of variance test pada kotak Statistics. Pilih Exclude cases
analysis by analysis pada kotak Missing value. Klik Continue.
8) Klik OK untuk menampilkan output berikut:

Oneway
[DataSet0]
Descriptives
Pembelajaran
95% Confidence
Interval for Mean
Std. Std. Lower Upper
N Mean Deviation Error Bound Bound Minimum Maximum
JIGSAW 10 23.50 1.958 .619 22.10 24.90 21 26
STAD 10 27.00 1.764 .558 25.74 28.26 25 30
TAI 10 22.70 1.767 .559 21.44 23.96 20 25
Total 30 24.40 2.594 .474 23.43 25.37 20 30
Pada gambar di atas diperoleh rata-rata pembelajaran dengan JIGSAW adalah 23,50
dengan deviasi standar 1,958. Rata-rata pembelajaran dengan STAD adalah 27,00
dengan deviasi standar 1,764. Dan rata-rata pembelajaran dengan TAI adalah 22,70
dengan deviasi standar 2,594.

Test of Homogeneity of Variances

Pembelajaran
Levene Statistic df1 df2 Sig.
.321 2 27 .728
 Pada Test of Homogeneity of Variances diperoleh nilai Sig. 0,728. Nilai ini lebih
dari 0,05 sehingga H0 diterima yang berarti ketiga varians adalah identik. Dengan
demikian, uji kesamaan varians untuk uji Anova sudah terpenuhi.
ANOVA
Pembelajaran
Sum of Squares df Mean Square F Sig.
Between Groups 104.600 2 52.300 15.586 .000
Within Groups 90.600 27 3.356
Total 195.200 29
Pada tabel ANOVA diperoleh nilai Sig. Adalah 0,000 < 0,05 sehingga H 0 ditolak
yang berarti rata-rata ketiga metode pembelajaran (JIGSAW, STAD, dan TAI)
adalah berbeda (tidak identik)

4. Multivariat Anova
a. Pengertian Analisis Multivariat

Analisis statistika multivariate adalah analisis statistika yang

dikenakan pada data yang terdiri dari banyak variabel dan antar
variabel yang saling berkorelasi. Beberapa metode yang termasuk
ke dalam golongan analisis ini adalah : Analisis Faktor, Analisis
Cluster, Analisis Diskriminan, Analisis Komponen Utama,
Korespondensi, dan MANOVA.
b. Pengertian MANOVA (Multivariate Analysis of Variance)

MANOVA atau Multivariate Analysis of Variance merupakan

pengembangan dari ANOVA, yaitu sebagai metode statistik suatu
teknik statistik yang digunakan untuk menghitung pengujian
signifikansi perbedaan rata-rata secara bersamaan antara kelompok
untuk dua atau lebih variable terikat. Karakteristik pada MANOVA
yaitu variabel bebas bisa lebih dari satu atau satu, namun variabel
terikat harus lebih dari satu. Skala pengukuran variabel bebas
berjenis kategorikal artinya data bisa berupa data nominal atau
ordinal, sedangkan pada variabel terikat merupakan variabel
kontinu artinya data bisa berupa interval atau rasio .
Asumsi yang harus di penuhi dalam MANOVA yaitu:
1. Distribusi datanya harus normal multivariat.
2. Matriks varian kovarian antar levelnya harus sama.
3. Setiap pengamatan manova diasumsikan bersifat independen.
4. Manova mengasumsikan bahwa variabel bebas adalah
kategorik dan variabel terikat variabel kontinu dan juga
bersifat homogenitas.

Pada Analisis Varians Multivariat ada statistik uji yang dapat

digunakan yaitu sebagai berikut:
1. Uji hasil bagi kemungkinan, dengan statistik uji (lambda) dari
Wilks atau

statistik uji U,

dimana (JKK) = matriks varians kovarians kekeliruan

dan (JKPr) = matriks varians kovarians perlakuan
2. Uji telusur dari lawley Hotelling dengan statistik LH tr
(JKK)-1 (JKPr) , dimana (JKK)-1 adalah invers dari
matriks varians kovarians kekeliruan, sedang (JKP r)
adalah matrik varians kovarians perlakuan yang
bersangkutan.
3. Uji akar maksimum dari Roy, dengan statistik uji R =
akar karakteristik maksimum dari (JKK)-1 (JKPr)

4. Uji pillai dengan statistik uji dimana

adalah akar-akar karakteristik dari (JKK)-1 (JKPr).

Dalam hal ini diberikan statistik yang menggunakan

statistik U. Ada beberapa sifat pada statistik U yang
digunakan untuk menganalisis yaitu,
1. Distribusi U dengan derajat kebebasan (p;m;n) sama
dengan distribusi U yang berderajat kebebasan
(m;p;n+m-p)
2. Untuk p = 2 nilai Up;m;n dapat ditransformasikan ke nilai F dengan
rumus
 dimana U2;m;n menyatakan nilai
variabel acak

yang berdistristribusi U dengan derajat kebebasan

(2;m;n), sedangkan F2m;2(n-1) menyatakan nilai
variabel acak yang berdistribusi F dengan derajat
kebebasan [2m;(2n-2)].

3.

4.

5.

Kegunaan dan Kelebihan MANOVA

MANOVA digunakan untuk mengetahui apakah
vektor rata-rata populasi sama, dan jika tidak sama,
komponen rata-rata mana yang berbeda secara nyata.
Karena kemampuannya untuk menganalisis beberapa
pengukuran variabel terikat secara simultan, MANOVA
memiliki kelebihan:

• Menyediakan kontrol tingkat kesalahan eksperimen ketika

terjadi beberapa derajat inter-korelasi diantara variabel
terikat.
• Menyediakan statistik yang lebih kuat dari
ANOVA ketika variabel terikatnyaberjumlah 5
atau kurang.

5. Distribusi Normal Multivariat

2,
Variabel acak X dikatakan berdistribusi normal dengan rerata dan varians dimana
jika fungsi kerapatan probabilitas dari X tertentu

dengan rumus :
 grafik dari merupakan kurva atau garis lengkung,
atau biasanya dikatakan bentuk lonceng (irisan bentuk
lonceng).
Pada situasi multivariat, yang terlibat adalah sekelompok
variabel dikatakan berdistribusi normal p-variat

dengan vektor rerata dan matriks varians-

kovarians atau matriks dipersi ,

jika fungsi kerapan probabilitas bersama dari p variabel tertentu oleh
rumus:

dimana

6. Uji Homogenitas Matrik

Beberapa analisis statistika multivariate seperti discriminant analysis dan
MANOVA membutuhkan syarat matriks varians-kovarians yang homogen. Untuk
menguji syarat ini dapat dipergunakan statistik uji Box-M. Adapun langkah-
langkah uji homogenitas varians-kovarians menggunakan program SPSS 16
adalah sebagai berikut:
1. Buka aplikasi SPSS .
2. Dari worksheet, entry data dilakukan melalui
Variable View dan Data View.
3. Dari menu utama SPSS dipilih menu Analyze, kemudian
submenu General Linear Model dipilih Multivariate.
4. Setelah tampak dilayar tampilan window Multivariat,
kemudian melakukan entry variabel-variabel yang
sesuai pada kotak Dependent Variables dan Fixed
Factor(s).
5. Selanjutnya Option dipilih Homogenitas test dan Continue,
 terakhir OK.

7. Uji Korelasi Antar Variabel

Variabel dikaatakan bersifat saling bebas (independent) jika matriks korelasi antar

variabel membentuk matriks identitas. Korelasi antar variabel dilakukan dengan menggunakan uji
Bartlett Sphercity pada program SPSS. Hipotesis yang digunakan pada uji tersebut adalah sebagai
berikut:

Statistik uji yang digunakan yaitu:

Berikut adalah flowchart dari langkah-langkah pengerjaan analisis data :
8. Pengertian Regresi Linier

Pengertian regresi secara umum adalah sebuah alat statistik yang memberikan
penjelasan tentang pola hubungan (model) antara dua variabel atau lebih.. Dalam
analisis regresi dikenal 2 jenis variabel yaitu:
a. Variabel Respon disebut juga variabel dependen yaitu variabel yang
keberadaannya dipengaruhi oleh variabel lainnya dan dinotasikan dengan
variable Y .
b. Variabel Prediktor disebut juga dengan variabel independen yaitu variabel yang
bebas (tidak dipengaruhi oleh variabel lainnya) dan dinotasikan dengan X.
Untuk mempelajari hubugan – hubungan antara variabel bebas maka regresi linier
terdiri dari dua bentuk, yaitu:
a. Analisis regresi sederhana (simple analysis regresi)
b. Analisis regresi berganda (Multiple analysis regresi)
Analisis regresi sederhana merupakan hubungan antara dua variabel yaitu variabel
bebas (variable independen) dan variabel tak bebas (variabel dependen). Sedangkan
analisis regresi berganda merupakan hubungan antara 3 variabel atau lebih, yaitu
sekurang-kurangnya dua variabel bebas dengan satu variabel tak bebas.
Tujuan utama regresi adalah untuk membuat perkiraan nilai suatu variabel (variabel
dependen) jika nilai variabel yang lain yang berhubungan dengannya (variabel
lainnya) sudah ditentukan.
9. Definisi Regresi Linear Sederhana
Analisis regresi linear sederhana merupakan salah satu metode regresi yang
dapat dipakai sebagai alat inferensi statistik untuk menentukan pengaruh
sebuah variabel bebas (independen) terhadap variabel terikat (dependen).
Uji Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki
beberapa tujuan, yaitu:
a. Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada
nilai variabel bebas.
b. Menguji hipotesis karakteristik dependensi
c. Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel
bebas diluar jangkaun sample.
10. Variabel Bebas Dan Terikat Regresi Linier Sederhana (Dependent And
Independent Variable)
a. Dependent Variable/Variabel Tak Bebas (Y): Variabel yang nilainya
ditentukan oleh variabel lain. Diasumsikan bersifat random/stochastic
b. Independent Variable/Variabel Bebas (X): Variabel yang nilainya
ditentukan secara bebas (variabel yang diduga mempengaruhi variabel tak
bebas). Diasumsikan bersifat fixed/non stochastic.
c. Syarat : Y: Berjenis data kuantitatif X: Berjenis data kuantitatif atau
kualitatif/kategorik

11. Konsep Dasar Regresi Linier Sederhana

a. Pada suatu nilai X tertentu akan terdapat banyak kemungkinan nilai-nilai
Y (Y akan terdistribusi mengikuti suatu fungsi peluang tertentu Distribusi
Normal) dengan Nilai rata-rata E(Y) dan Nilai varians σ2 tertentu
b. Nilai rata-rata E(Y) diasumsikan berubah secara sistematik mengikuti
perubahan nilai X, yang digambarkan dalam bentuk garis linier
c. Nilai varians σ2 pada setiap nilai X akan sama

12. Prosedur Penting Dalam Regresi Linier Sederhana

Dalam prosedur regresi hal pertama yang harus dilakukan adalah
melakukan identifikasi model dengan menggunakan Scatter plot (diagram
pencar) yang berguna untuk mengidentifikasi model hubungan antara
variabel X dan Y. Bila pencaran titik-titik pada plot ini menunjukkan
 adanya suatu kecenderungan (trend) yang linier, maka model regresi linier
layak digunakan. Setelah itu dapat dilakukan estimasi terhadap parameter
model.

Grafik diatas merupakan contoh identifikasi model yang dilakukan dengan

variabel X adalah umur mobil dan variabel Y adalah harga mobil. Ternyata titik-
titik (plotting data) tersebut terlihat mengelompok di sekitar garis lurus dan
scatter plot tersebut, sebenarnya bisa ditarik beberapa garis yang dekat terhadap
titik-titik tersebut.

13. Model Regresi Linear Sederhana

Yi = β0 + β1Xi + εi (i = 1, 2, …, n)
dimana :
Yi merupakan nilai dari variabel dependent pada observasi ke-i
β0 dan β1 merupakan parameter model
εi merupakan komponen error (pengaruh variabel bebas
lain selain variabel X)
Xi adalah nilai variabel bebas X pada observasi ke-i
N adalah banyaknya data observasi (sampel)
 Note: β0 dan β1 disebut juga koefisien regresi, β0 merupakan
intercept dan β1 merupakan slope (gradien garis) yang menyatakan
perubahan nilai Y untuk setiap kenaikan satu satuan X.

14. Asumsi Regresi Linier Sederhana

Dalam aplikasinya terdapat beberapa asumsi yang harus terpenuhi
untuk melakukan analisis regresi sederhana. Beberapa asumsi tersebut
sebagai berikut

a. Yi (Variabel Tak Bebas/Dependent Variable) merupakan random

variable/bersifat stochastic
b. Xi (Variabel bebas/Independent Variable) bersifat fixed/non stochastic
(bukan merupakan random variable)
c. E(εi) = 0
d. E(εi εj) = E(εi2) = σ2 untuk i = j (Homoscedastic)
e. E(εi εj) = 0 untuk i ≠ j (Non autocorrelation)
f. εi merupakan random variable yang terdistribusi secara bebas dan
indentik mengikuti distribusi normal dengan rata-rata 0 dan varian σ2

Metode estimasi yang digunakan pada regresi linier sederhana adalah Metode
Kuadrat Terkecil (Least Square Method) dengan prinsip meminimalkan ∑εi2

sehingga estimasi parameternya :

 Sifat-sifat Estimator Least Squares

a. Jika semua asumsi yang diberlakukan terhadap model regresi terpenuhi, maka
menurut suatu teorema (Gauss Markov theorem) estimator tersebut akan
bersifat BLUE (Best Linear Unbiased Estimator).
b. Best = Terbaik, mempunyai varian yang minimum
c. Linear = Linear dalam Variabel Random Y
d. Unbiased = Tak bias
e. Artinya estimator tersebut akan unbiased, linier dan mempunyai varian yang
minimum diantara semua estimator unbiased & linier yang lain.

15. Cara Menghitung Koefisien Determinasi Regresi Linier Sederhana

Dalam regresi linier sederhana, koefisien determinasi (r 2) diartikan

sebagai ukuran kemampuan semua variabel bebas dalam menjelaskan
varians terikat. Karena koefisien determinasi (r2) merupakan kuadrat dari
koefisien korelasi (r) maka dapat rumus koefisien determinasi (r2) sama
dengan rumus koefisien korelasi (r) yang dipangkatkan.
 Misalkan jika diperoleh nilai koefisien korelasi sebesar 0.92 maka
koefisien determinasinya adalah 0.85 di dapat dari (0.92)2. Artinya, kemampuan
variabel bebas dalam menjelaskan varian-varian variabel terikatnya sebesar
85% atau masih terdapat sekitar 15% varias variabel terikat yang dijelaskan oleh
faktor lain.

16. Langkah Membuat Regresi Linear Sederhana

a. Cari dulu apakah kedua variabel tersebut ada hubungan linear atau
tidak
b. Tentukan terlebih dahulu variabel independent (x) dan variabel
dependennya(y)
c. Membuat diagram pencar dari data x dan y
d. Dari diagram pencar tersebut akan diperoleh gambaran pola tebaran x
dan y.apakah membentuk hubungan linear?jika ya,maka model
regresinya adalah regresi linear sederhana,kalau tidak linear bias
dicari regresinya
e. Menghitung a dan b
f. Menghitung y^=a+bx, dimana y^= estimasi harga y jika x
disubtitusikan kedalam persamaan regresi
g. Membuat garis y^=a+bx pada sumbu x dan y

17. Istilah-Istilah Dalam Regresi Linier Sederhana

a. Koefisien Korelasi (r) adalah nilai yang menyatakan kuat atau

tidaknya hubungan antara 2 variabel
b. Standar error koefisien regresi (E) adalah ukuran dari ketepatan
koefisien regresi dalam memprediksi nilai populasinya.Standar error
diukur berdasarkan akar kuadrat dari deviasi atau varians koefisien
regresi sampel dengan koefisien regresi populasi
c. Koefisien determinasi regresi(r 2) adalah a. Nilai yang menunjukkan
seberapa besar pengurangan variasi dalam Y (variabel dependent)
saat satu atau lebih X (variabel independent) masuk kedalam model
 regresi. b. Besarnya sumbangan / andil dari variabel x terhadap
variasi atau naik turunnya y
d. Konstanta (a) adalah perpotongan garis regresi dengan sumbu Y
(nilai estimate jika x = 0)
e. Koefisien arah dari regresi linear (b) adalah nilai yang menunjukkan
seberapa besar perubahan nilai Y (variabel dependen) saat X
(variabel independent) bertambah satu-satuan

18. Contoh Soal Regresi Linier Sederhana

Tabel diatas menyajikan data dengan variabel X adalah umur mobil dan variabel
Y adalah harga. Hasil estimasinya adalah sebagai berikut :

sehingga persamaan regresinya menjadi

Yˆ=195.47−20.26X
 Dari hasil estimasi yang diperoleh dapat disimpulkan bahwa setiap umur mobil
bertambah satu tahun maka harga mobil tersebut akan turun sebesar $2.026.

19. Regresi Linier Berganda

Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan

antara peubah respon (variabel dependen) dengan faktor-faktor yang
mempengaruhi lebih dari satu prediktor (variabel independen).
Regresi linier berganda hampir sama dengan regresi linier sederhana, hanya
saja pada regresi linier berganda variabel bebasnya lebih dari satu variabel penduga.
Tujuan analisis regresi linier berganda adalah untuk mengukur intensitas hubungan
antara dua variabel atau lebih dan membuat prediksi perkiraan nilai Y atas X.
Secara umum model regresi linier berganda untuk populasi adalah sebagai berikut:

Model regresi linier berganda untuk populasi diatas dapat ditaksir berdasarkan
sebuah smpel acak yang berukuran n dengan model regresi linier berganda untuk
sampel, yaitu:

20. Membentuk Persamaan Regresi Linier Berganda

 Dalam regresi linier berganda variabel tak bebas (y) tergantung
kepada dua atau lebih variabel bebas (x). Bentuk persamaan regresi linier
berganda yang mencakup dua atau lebih variabel dapat ditulis sebagai
berikut:
Untuk rumus diatas, dapat diselesaikannya dengan empat persamaan
oleh empat variabel yang terbentuk:

21. Model Regresi Logistik

Regresi logistic merupakan salah satu model staistika yang dapat digunakan
untuk menganalisis pola hubungan antar sekumpulan variabel independen dengan
suatu variabel dependen bertipe kategoris atau kualitatif. Kategori dari variabel
terikat dapat terdiri dari dua kemungkinan nilai (dichotomous), seperti ya/tidak,
sukses/gagal, dan lain-lain, atau terdiri lebih dari dua nilai (polychotomous), seperti
sangat setuju, setuju, tidak setuju, atau sangat tidak setuju. Tujuan utama dari
analisis regresi logistik adalah sebagai berikut :
a. Memprediksi probabilitas terjadinya atau tidak terjadinya event (terjadinya
nonevent) berdasarkan nilai-nilai prediktor yang ada. Event merupakan status
variabel respons yang menjadi pokok perhatian (diberi nilai kode yang lebih
tinggi daripada nonevent).
b. Mengklasifikasikan subjek penelitian berdasarkan ambang (threshold)
probabilitas.
 Model logit didasari oleh Linear Probability Model (LPM) yang secara
sederhana dapat diiliustrasikan sebagai berikut. Misalkan terdapat 𝑝 variabel dalam
model regresi dan didefinisikan 𝑥 = (𝑥1, 𝑥2 , … , 𝑥𝑝 ). Model LPM merupakan
penerapan regresi linier klasik pada respon kategoris atau bertipe kualitatif, LPM
mengubah regresi linier klasik menjadi model probabilitas linier, dengan persamaan

𝑌̂𝑖 = 𝑃(𝑌𝑖 = 1|𝑥) = 𝜋𝑖 (𝑥) = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝

Dengan demikian, diperoleh

𝐸(𝑌𝑖 |𝑥) = 𝜋𝑖 . 1 + (1 − 𝜋𝑖 ) ∗ 0 = 𝜋𝑖 .

Karena berupa probabilitas, kemungkinan nilai 𝑌̂𝑖 = 𝜋𝑖 (𝑋) terbatas antara 0 sampai
1. Namun karena 𝑔(𝑥) = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝, nilai yang mungkin tidak
terbatas (karena 𝑋 bisa bernilai kontinu, diskrit, ataupun kategoris) sehingga
terkadang nilai 𝜋𝑖 hasil estimasi dengan LPM berada di luar range [0,1].

Untuk membuat harga 𝜋𝑖 selalu berada di antara 0 dan 1, kita memrlukan

suatu fungsi monoton naik yg memetakan prediktor linier 𝑔(𝑥) = 𝛽0 + 𝛽1 𝑥1 +
⋯ + 𝛽𝑝 𝑥𝑝 ke unit interval. transformasi tipe ini diharapkan akan mempertahankan
struktur linier model dan menghindari nilai perluang berada di luar interval [0,1].
Sembarang fungsi distribusi kumulatif (Cumulative Distibution Funcion) akan
memenuhi kriteria di atas.

𝜋𝑖 (𝑋) = 𝑃(𝑌𝑖 = 1|𝑥) = 𝑃(𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 )

Dimana fungsi CDF 𝑃(∙) dipilih sebelumnya dan 𝛽0 , 𝛽1 , … , 𝛽𝑝 adalah parameter-

parameter yang akan diestimasi. Fungsi 𝑃(∙) diasumsikan halus (smooth) dan
simetris, dan mendekati nilai 0 dan 1 secara asimptotik. Untuk transformasi 𝑃(∙),
kita sering menggunakan CDF dari distribusi normal standar

𝑧
1 1 2
𝜙(𝑧) = ∫ 𝑒 2𝑥 𝑑𝑥
√2𝜋 ∞

atau fungsi logistik

 1 𝑒𝑧
Λ(𝑧) = =
1 + 𝑒 −𝑧 1 + 𝑒 𝑧

Dengan konstanta 𝜋𝑖 = 3,141 dan 𝑒 = 2,718. Dengan menggunakan CDF normal

𝜙(𝑧), dengan mendapatkan model probit linier.

𝛽0 +𝛽1 𝑥1 +⋯+𝛽𝑝 𝑥𝑝
1 1 2
𝜋𝑖 = 𝜑(𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 ) = ∫ 𝑒 2𝑥 𝑑𝑥
√2𝜋 −∞

Sementara itu, dengan menggunakan fungsi logistik, kita memperoleh regresi

logistik linier atau model logit linier.

1
𝜋𝑖 = Λ(𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 ) =
1 + 𝑒 −(𝛽0+𝛽1𝑥1 +⋯+𝛽𝑝𝑥𝑝 )
𝑒 𝛽0+𝛽1𝑥1+⋯+𝛽𝑝 𝑥𝑝
=
1 + 𝑒 𝛽0 +𝛽1𝑥1+⋯+𝛽𝑝 𝑥𝑝

Secara umum, transformasi fungsi logit dan fungsi probit ekuivalen

nilainya, kecuali pada nilai-nilai ekstrim pada 𝜋𝑖 . Akan tetapi, ada beberapa
keunggulan model logit dibandingkan dengan model probit yaitu

1. Kesederhanaan (simplicity)
Persamaan dari fungsi logistik cukup sederhana, sedangkan fungsi normal
relatif lebih kompleks. Perbedaan ini tidak terlalu terlihat untuk data
dikotomi, tetapi untuk data polikotomi, yang memerlukan model logistik
atau normal multivariat dalam analisis model akan menjadi lebih sederhana.
2. Interpretabilitas
Transformasi inversi dari logit model Λ−1 (𝜋𝑖 ) dapat diinterpretasikan
langsung sebagai log-odds, sedangkan transformasi inversi 𝜙 −1 (𝜋𝑖 ) tidak
memiliki interpretasi langsung.
1. Untuk model logit, perhatikan nilai odds ratio
𝜋𝑖
= 𝑒 𝛽0+𝛽1𝑥1+⋯+𝛽𝑝 𝑥𝑝
1 − 𝜋𝑖
𝜋
Maka diperoleh nilai logit, yakni log 1−𝜋𝑖 = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑝 𝑥𝑝 .
𝑖
 𝜋
Transformasi Λ−1 (𝑃𝑖 ) = log 1−𝜋𝑖 disebut logit dari nilai 𝜋, yakni nilai
𝑖

log dari odds ratio yang menyatakan perbandingan diantara peluang

kejadian 𝑌 bernilai 1 (kejadian sukses) dibandingkan dengan
kemungkinan bernilai 0.
2. Fungsi logit bersifat simetris di sekitar 0 dan terbatas terbatas di atas dan
di bawah.

Estimasi parameter dari model regresi logistik dapat dilakukan dengan

metode maximum likelihood estimator (MLE), dimana parameter optimal dapat
diperoleh dengan metode numerik.

Untuk menguji kecocokan koefisien, kita bias menggunakan uji Wald. Uji
Wald merupakan uji univariat terhadap masing-masing koefisien regresi logistik
(sering disebut partially test).

1. 𝐻0 : prediktor secara univariat tidak berpengaruh signifikan terhadap

respons (𝛽1 = 0; = 0,1,2, … , 𝑝).
𝐻1 : prediktor secara univariat berpengaruh signifikan terhadap respons
(𝛽1 ≠ 0; = 0,1,2, … , 𝑝).
2. Tingkat signifikansi : 𝛼
3. Statistik uji :
2
𝑏𝑖
𝑊𝑖 = ( )
𝑆𝐸 (𝑏𝑖 )

4. Daerah kritik : tolah 𝐻0 bila |𝑊𝑖 | > |𝑍𝛼⁄2 |

Beberapa ukuran yang dapat digunakan untuk mengevaluasi tingkat kesesuian

model regresi logistik dengan data, antara lain :

1. Pseudo-𝑅2
Pseudo-𝑅2 merupakan nilai perkiraan atau nilai pendekatan dari koefisien
determinasi karena dalam model regresi logistik tidak dapat dihitung nilai
eksak dari koefisien determinasi. Rumusan Pseudo-𝑅 2 yang sering
digunakan adalah Pseudo-𝑅2 McFadden, yang didefinisikan sebagai
 𝑙(𝛽̂)
𝑅2 = 1 −
𝑙(𝑦̅)
Dengan 𝑙(𝛽̂) yang merupakan nilai log likelihood dari fitted model (model
logit yang diamati dan 𝑙(𝑦̅) adalah model logit yang hanya mengandung
komponen konstanta.
2. Proporsi konkordansi
Proporsi konkordansi (biasanya dalam persentase) menyatakan persentase
secara deskriptif data yang dapat diklasifikasikan secara tepatke setiap
kategori respons oleh model regresi logistik yang terbentuk.
 DAFTAR PUSTAKA

Budiarto, Eko. 2001. Biostatistika Untuk Kedokteran Dan Kesehatan Masyarakat.

Jakarta : EGC

http://idtesis.com/analisis-tabulasi-silang-crosstab/

http://digensia.wordpress.com/akses2013/04/10/uji-kecocokankesesuaian-
goodness-of-fit-test/

Arikunto, Suharsimi, “Prosedur Penelitian : Suatu Pendekatan Praktek”, Edisi

Revisi V, Jakarta: PT Rineka Cipta, 2002.
Santoso, Singgih, 2000, Buku Latihan SPSS Statistik Parametrik. PT.ELEK Media
Komputindo. Jakarta
Sekaran, Uma. 2006. Research Methods For Business: Metodologi Penelitian
untuk Bisnis, Penerbit Salemba Empat.
Alhusin, Syahri, “Aplikasi Statistik Praktis dengan Menggunakan SPSS 10 for
Windows”, Edisi Kedua, Yogyakarta: Graha Ilmu, 2003.
Priyatno, Duwi, “Mandiri Belajar SPSS”, Cetakan Ketiga, Yogyakarta: Media
Kom, 2008.
Sugiyono, “Metode Penelitian Bisnis”, Bandung: CV. Alfabeta, 2007.
Ghazali, Imam, 2016, “Aplikasi Analisis Multivariat Dengan Program IBM SPSS
23”, Cetakan kedelapan, Universitas Diponegoro, Semarang.
Priyatno, Duwi, 2013, “Mandiri Belajar Analisis Data Dengan SPSS”, Yogyakarta:
Media Kom.
Priyatno, Duwi, 2014, “SPSS 22 Pengolah Data Terpraktis”, Edisi 1, Yogyakarta:
ANDI.
Santoso, Singgih, 2013, “Menguasai SPSS 21 di Era Informasi”. PT.ELEK Media
Komputindo. Jakarta.
Sekaran, Uma, 2000. “Research Methods for Business, A Skill Building
Approach”, New York: John Wiley n Sons
Draper, N. dan Smith, H. 1992. Analisis Regresi Terapan. Edisi Kedua. Terjemahan
Oleh Bambang Sumantri. Jakarta: Gramedia Pustaka Utama.
Kutner, M.H., C.J. Nachtsheim., dan J. Neter. 2004. Applied Linear Regression
Models.

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

Usman, Husaini. 2006. Pengantar Statistika. Jakarta: Bumi Aksara.

Wahyono, Teguh. 2009. 25 Metode Anlisis dengan Menggunakan SPSS 17. Jakarta

: Gramedia.

http://solusisekripsi.blogspot.com/2012/10/pengertian-oneway-anova-analisis-

varian.html

http://teorionline.wordpress.com/2011/02/06/one-way-anova-analysis-of-
variance/Hendry/