VISI

Pada tahun 2025 menghasilkan Ners yang unggul dalam asuhan keperawatan lanjut usia
dengan menerapkan Ilmu dan Teknologi Keperawatan.

Resume Riset Keperawatan

Analisis Bivariat Dan Multivariat

Program Studi : Program Sarjana Terapan dan Program Studi

Pendidikan Profesi Ners Program Profesi
Semester/Tingkat : 7 / IV
Mata Kuliah : Riset Keperawatan
Nama : Shabrina Nisa Sarazumar (P3.73.20.2.17.033)

JURUSAN KEPERAWATAN
POLTEKKES KEMENKES JAKARTA III
TAHUN 2020
 RESUME ANALISIS BIVARIAT DAN MULTIVARIAT

A. Analisis Bivariat
Tujuan analisis bivariat yaitu mengetahui hubungan antara satu variabel dengan
variabel lain. untuk menguji hipotesis apakah variable – variable tersebut signifikan atau
tidak signifikan jika di uji hipotesis, jika signifikan, apakah variable – variable tersebut
signifikan secara statistic atau substansi. Terdapat beberapa cara dalam melakukan
penentuan uji statistic berdasarkan jenis variabelnya yaitu : analisis hubungan kategorik
dengan numerik yang terdiri dari Uji t (bila variable kategoriknya dua kelompok yaitu uji
t independen dan uji t dependen) dan uji anova (bila variable kategoriknya lebih dari
dua kelompok), analisis hubungan kategorik dengan kategorik yang terdiri atas uji kai
kuadrat (uji Chi Square atau uji Fisher Exact), dan analisis hubungan numerik dengan
numerik menggunakan uji korelasi.

B. Analisis Multivariat
Analisis multivariat bertujuan untuk menghubungkan beberapa variable independen
dengan satu variable dependen. Analisis Multivariat digunakan untuk mengetahui
pengaruh murni/efek bersih masing- masing variable dan mengetahui factor yang paling
dominan. Untuk mngetahui pengaruh murni/efek bersih dapat menggunakan rancangan
eksperimen, rancangan studi yang dipilih dengan cara matching, dan pengontrol pada
tahap analisis statistik. Syarat multivariat adalah jumlah sample yang cukup, dalam satu
variable terdapat 15 responden. Teknik analisis multivariat secara dasar diklasifikasi
menjadi dua, yaitu analisis dependensi dan analisis interdependensi.
1. Analisis Dependensi
Terdiri atas Analisis Regresi, Analisis Varians, Analisis Korelasi Kanonik, Analisis
Diskriminan, Analisis Logistik.
2. Analisis Interdependensi
Terdiri atas Analisis Komponen Utama, Analisis Faktor, Analisis Cluster, dan
Analisis Log-Linear. Analisis regresi dibedakan menjadi 2 yaitu :
1. Regresi Linier Ganda :
 Variabel dependen = numerik
Variabel independen = numerik dan kategorik
Hubungan secara linear antara dua atau lebih variabel independen (X1,
X2,Xn) dengan variabel dependen (Y). Analisis ini untuk mengetahui arah
hubungan antara variabel independen dengan variabel dependen apakah masing-
masing variabel independen berhubungan positif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila nilai variabel independen
mengalami kenaikan atau penurunan. Data yang digunakan biasanya berskala
interval atau rasio. Asumsi regresi linier ganda yaitu “HEIL – GAUSS”

Formula regresi linier ganda :

Y =α + β 1 x1 + β 2 x2 +.. . .+ β k x k +e

Y = Variabel dependen

X = Variabel independen

α= Y intercept, artinya perbedaan besarnya rata-rata variabel Y, ketika variabel X=0

β= slope, koefisien regresi, perkiraan besarnya perubahan nilai variabel Y, ketika nilai
variabel X berubah satu unit pengukuran

k = banyaknya variabel independen

e = error (komponen kesalahan)

Fungsi Regresi linier ganda :

a. Menetapkan model matematik yang paling baik untuk menggambarkan hubungan

variabel independen dan variabel dependen.
b. Menggambarkan hubungan kuantitatif antara variabel independen (x) dengan
variabel dependen (y) setelah dikontrol variabel lain.
c. Mengetahui variabel x mana yang penting/dominan dalam memprediksi variabel
dependen
d. Mengetahui adanya interaksi pada dua/lebih variabel independen terhadap variabel
dependen.

Asumsi Linier Ganda :

a. Homocedasticity:
Varian nilai variabel Y sama (homogen) untuk setiap nilai x1, x2, …xn
Homoscedasticity : Plot residual membentuk tebaran merata di atas dan di bawah
garis tengah nol
Heteroscedasticity: tebaran residual mengelompok di bawah/di atas garis tengah nol
b. Existency :
Variabel dependen Y merupakan variabel random (acak) pada setiap nilai var.
independen X. Sampel diambil random, asumsi ini terpenuhi bila residual
menunjukkan nilai mean mendekati nol dan ada sebarannya (standar deviasi)
c. Independency:
Apakah variabel Y mempunyai nilai yang saling bebas (no autocorr.) satu dengan
lainnya. Masing-masing var Y bebas satu sama lain, tidak boleh diukur dua kali.
Asumsi terpenuhi: angka Durbin Watson antara -2 s/d 2
d. Liniearity:
Apakah variabel Y merupakan fungsi linier dari gabungan x1, x2, …xn
Nilai mean dari var. Y untuk suatu kombinasi X1, X2, dst terletak pada grs linier yg
dibentuk persamaan regresi
Asumsi terpenuhi: hasil Uji Anova regresi hasilnya signifikan
e. Gauss/ normality
Var. Y berdistrubusi normal untuk setiap pengamatan variabel X. Asumsi terpenuhi
bila Grafik Normal P-P plot residual, titik tebarannya menyebar sekitar garis
diagonal. Sebaliknya bila tebaran data menjauhi garis diagonal maka asumsi tidak
terpenuhi
f. Multikolinierity
Dalam regresi linier tidak boleh terjadi sesama variabel independen berkorelasi
secara kuat (multicollinearity).
 Apabila nilai VIF dari Collinearity statistics <10 berarti tidak ada gejala
kollinearitas.

Langkah – langkah Pemodelan Regresi Linear :

a. Melakukan analisis bivariat: independen dengan dependen, bila hasil uji didapatkan
p value < 0,25 maka dapat lanjut ke multivariat. Namun kalau ada var yang secara
substansi penting walaupun p valuenya > 0,25 maka variabel tersebut dapat masuk
ke multivariate
b. Memasukkan secara bersamaan seluruh var indep ke model multivariat.
Variabel yang p valuenya besar dikeluarkan dari model multivariat. Ketentuannya :
variabel yg p valuenya < 0,05 yang dapat tetap di model. Variabel yg p valuenya >
0,05 dikeluarkan dari model satu persatu dimulai dari variabel yg p valuenya
terbesar. Bila var yg dikeluarkan tsb mengakibatkan perubahan besar koefisien
variabel2x yg masih ada(berubah > 10 %), maka var tsb dimasukkan kembali dlm
model. Pemilihan variabel dng metode ENTER
c. Melakukan Diagnostik Regresi Linier
1) Pengujian asumsi
2) Pengujian Kolinearitas, antar independen terjadi hubungan yang sangat kuat: r ≥
0,8. Atau nilai VIF > 10
d. Analisis Interaksi
Kondisi hubungan antara var. indep dan var. dep, berbeda menurut tingkat var indep
yang lain.
Mis: TD =a+b1(AF)+b2(Umur)+b3(Sex)+b4(AF*Sex) Penentuan var interaksi 􀀀
pertimbangan substansi Var interaksi “Umur*Sex” tidak pas, karna secara biologic
kedua variabel tsb tdk saling berinteraksi utk mempengaruhi TD
e. Reliabilitas Model
Sampel di bagi dua, bila kedua sampel menghasilkan model yang sama, maka
model regresi reliabel–- seluruh sampel dapat dipakai untuk pembuatan model
2. Regresi Logistik Ganda :
Variabel dependen = kategorik
Variabel independek = kategorik dan numerik
Model matematis untuk menganalisis hubungan antara beberapa variabel independent
yang berjenis katagorik atau numerik dengan satu variabel dependent yang berjenis
katagorik dichotom (sehat/sakit, hidup/mati)
Fungsi regresi logistik ganda :
a. Menetapkan model matematik yang paling baik utk menggambarkan hubungan
variabel independen dan variabel dependen.
b. Menggambarkan hubungan kuantitatif antara variabel independen (x) dengan variabel
dependen (y) setelah dikontrol variabel lain
c. Mengetahui variabel x mana yang penting/dominan dalam memprediksi variabel
dependen
d. Mengetahui adanya interaksi pada dua/lebih variabel independen terhadap variabel
dependen

Jenis Regresi Logistik

a. Regresi Logistik Model Prediksi

Model yang terdiri beberapa variabel independen yang dianggap terbaik untuk
memprediksi kejadian variabel dependen
b. Regresi Logistik Model Faktor Risiko
Model dengan tujuan mengetahui hubungan satu/beberapa variabel independen
dengan kejadian variabel dependen dengan mengontrol beberapa variabel
confounding
Langkah pemodelan terdiri dari :
1) Melakukan analisis bivariat antara masing-masing variabel konfounding dng
dependen, bila hasil p value < 0,25 maka var tsb dpt masuk multivariat, atau
walaupun p value > 0,25 boleh masuk multivariat kalau secara substansi
merupakan variabel yang sangat penting (langkah ini bisa diabaikan)
2) Lakukan pemodelan lengkap, mencakup: var utama, var konfounding dan var
interaksi.
3) Langkah pertama, lakukan penilaian interaksi dengan cara melihat nilai p. Bila p
value > 0,05 var interaksi dikeluarkan dari model secara bertahap dimulai dari p
value terbesar.
 4) Lakukan penilaian confounding dengan cara mengeluarkan var konfounding satu
persatu dimulai dari p value terbesar. Bila setelah dikeluarkan diperoleh selisih
OR var Utama lebih besar dari 10 %, maka varibel tersebut dinyatakan sebagai
konfounding dan var tersebut berarti harus tetap berada dalam model

Uji asumsi :

1. Eksistensi : Hasil dari output diatas menunjukkan angka residual dengan mean 0,000 dan
standar deviasi 686,59. Dengan demikian asumsi Eksistensi terpenuhi
2. Asumsi Independensi : Suatu keadaan dimana masing-masing nilai Y bebas satu sama lain.
Jadi nilai dari tiap-tiap individu saling berdiri sendiri. Tidak diperbolehkan nilai observasi
yang berbeda yang diukur dari satu individu diukur dua kali. Untuk mengetahui asumsi ini
dilakukan dengan cara mengeluarkan uji Durbin Watson, bila nilai Durbin –2 s.d. +2 berarti
asumsi independensi terpenuhi, sebaliknya bila nilai Durbin < -2 atau > +2 berarti asumsi
tidak terpenuhi.
3. Asumsi liniearitas : Nilai mean dari variabel Y untuk suatu kombinasi X1, X2, X3, …, Xk
terletak pada garis/bidang linier yang dibentuk dari persamaan regresi. Untuk mengetahui
asumsi linieritas dapat diketahui dari uji ANOVA (overall F test) bila hasilnya signifilan (p
value<alpha) maka moodel berbentuk linier. Hasil uji asumsi : Dari output diatas
menghasilkan uji anova 0,0005, berarti asumsi linearitas terpenuhi.
4. Asumsi homoscedascity
Dari hasil plot diatas terlihat tebaran titik mempunyai pola yang sama antara titik-titik diatas
dan dibawah garis diagonal 0.
Dengan demikian asumsi homoscedasity terpenuhi.
5. Asumsi normalitas

DAFTAR PUSTAKA
Harlan, J., 2013. Pemodelan dalam Analisis Data Uji Klinik (I): Model Regresi Linear dan
Regresi Logistik. Majalah Ilmiah Matematika Komputer.