Pada tahun 2025 menghasilkan Ners yang unggul dalam asuhan keperawatan lanjut usia
dengan menerapkan Ilmu dan Teknologi Keperawatan.
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”
Y =α + β 1 x1 + β 2 x2 +.. . .+ β k x k +e
Y = Variabel dependen
X = Variabel independen
β= slope, koefisien regresi, perkiraan besarnya perubahan nilai variabel Y, ketika nilai
variabel X berubah satu unit pengukuran
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.